2026年高考北京数学卷考毕，硅星人AI前沿团队对8款主流AI Agent开展系统性押题评测。测试要求各模型基于2021—2025年五年北京卷真题及解析合集，完成知识点标注、命题规律归纳、2026年全卷预测及模拟卷生成三阶段任务，并接受AI互评与一线高三数学教师人工审读双重验证。

客观命中率统计覆盖全部21道真题，按知识点匹配度计分。结果显示，8家模型命中数介于4至9题之间，无一家突破10题。其中Genspark以9题并列最高，Manus与GLM均仅命中4题。固定考点如T1–T5选择题、T15填空题及大题首问等基础位普遍被覆盖，但浮动小题与关键大题失准严重。T17与T18两道大题在真题中发生位置对调——T17实为概率题、T18为立体几何题，而全部8家均沿袭旧序押为T17立几、T18概率，形成集体翻车。

T21压轴题成为关键分水岭。真题为关于±1数表的新定义组合题，彻底脱离传统数列路径。Claude、Gemini、Genspark、Manus准确预判转向组合方向，ChatGPT、MiniMax、Kimi坚持押数列方向失败，GLM则完全未识别“新定义”属性，给出一道常规导数题。

主观亮点评分由该教师独立完成，聚焦情境设计合理性、题目改编能力与思维深度。Genspark获并列最高分，其电池衰减、低空经济无人机、自动驾驶算法可靠性等情境贴合近年“减少机械计算、贴近真实问题”的命题趋势；Gemini因改编2022年高考第10题并提升至极值点偏移难度，亦获并列最高亮点分；MiniMax椭圆大题被评最佳，但导数题难度仅达高二期末水平；GLM被指卷面混入上海卷参考公式、大题选用全国卷等差数列与北京卷禁用的抛物线解析几何，存在多重地域与考纲错位。

AI互评环节设置严格匿名机制：8套试卷统一排版、抹除来源标识，模型在关闭记忆与隐私模式下以教研员身份盲评排序。结果显示，仅Genspark将自身试卷排第一，且该卷确被其余六家均列入前二，属客观共识；GLM自评第八，Kimi自评第五，其余模型自我排名均居中游，平均名次略低于随机期望值，未显现显著自我偏爱现象。ChatGPT为唯一离群者，将公认最优卷排第六，反将另一套卷推至首位。

PDF材料中2021与2024年真题为扫描图片，文本不可直接提取。Kimi明确声明仅分析2022、2023、2025三年数据，未虚构缺失内容；GLM、Manus、MiniMax虽标注出2021与2024年真题知识点且准确无误，但全程未说明信息获取方式；Gemini最终承认未实际解析PDF，系依赖训练数据中存储的北京卷题目作答，存在输入响应失实风险。

过程表现方面，ChatGPT（GPT-5.5 Thinking Extended）输出排版规范PDF，结构稳定、解析完整，但题型偏常规；Claude（Opus 4.8 Max）耗时最长，自主构建MathJax渲染流程，并在互评中逐题验算挑错；Genspark（Ultra Mode，底层Claude Opus 4.7）为全场唯一全卷零数学错误试卷，主动提出联网补全真题并获同意；GLM（GLM-5.1）版式仿真度高，但存在选择题选项全标为“A”的格式缺陷；Kimi（k2.6-agent）诚实但主动性不足，因仅分析三年数据导致T16/T17押反；MiniMax（MiniMax-M3）模板最规整但生成最慢，曾误写为上海卷并嵌入产品名；Manus（Manus 1.6 Max）解答题被评“相对最有水平”，风格稳健无硬伤。

科技情境滥用现象突出：8套卷中6套植入AI、算力、新能源等元素，包括充电桩覆盖率对数模型、神经网络节点数列化、自动驾驶算法可靠性计算，以及ChatGPT设计的“甲乙丙三AI同解一题”概率题。而近五年北京卷仅出现一次AI相关情境。

教师综合评述指出，8套试卷整体难度低于高二下学期水平，普遍存在偏重事实复现、回避高阶认知、缺乏新题型构造能力等问题。其归因包括训练样本量不足、模仿停留于数字替换、无法实现知识点跨模块重组。三方验证高度一致：AI互评垫底、教师点名批评、程序核对硬伤三者均指向GLM为最薄弱项。

测试确认，所有模型均可精准复刻北京卷“形”——题型分布、分值结构、题干长度与设问层级均高度相似；但无一能生成其“神”——尤其无法复现每年迭代更新、要求考生即时理解与证明的新定义压轴题。该能力缺口表明，当前AI在有限样本归纳、抽象概念迁移与原创性结构生成层面仍存本质局限。本次测试所用真题依据多份考后记忆版交叉验证，知识点框架经核实可靠；命中率与亮点分均由该教师人工评定并复核；全部原始试卷及评分细则已开源至GitHub平台。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。