教育行业大模型选型必读1.闭卷考试！独家评测集：用最新K12真题（小学-高中全学科）构建“闭卷考场”，108个模型同台竞技，数据污染率<5%（传统评测集污染率超60%）2.价格透明对比：40元/M tokens的阿里系模型VS 2元/M tokens的字节系、腾讯系模型，谁更值？3.四大选型禁区：>60元但得分<75的模型被列入不推荐名单（附避坑清单）4.核心结论直出：教学核心环节必须用专用模型，

相比instruct模型，qwq总分提高了13%，十分可观。最突出的改进，除了“推理与数学计算”提升21%外，“法律”及“行政公务”都有大幅提高，分别达到20%、27%。“推理与数学计算”方面的改进在我们预料之中，然而“法律”及“行政公务”方面的显著效果却没有那么显而易见。但仔细琢磨后会发现，医疗/教育/金融/心理健康等领域都更偏向考察知识的熟记程度，而法律/行政公务（特别是后者的行测题）更依赖于

相比instruct模型，qwq总分提高了13%，十分可观。最突出的改进，除了“推理与数学计算”提升21%外，“法律”及“行政公务”都有大幅提高，分别达到20%、27%。“推理与数学计算”方面的改进在我们预料之中，然而“法律”及“行政公务”方面的显著效果却没有那么显而易见。但仔细琢磨后会发现，医疗/教育/金融/心理健康等领域都更偏向考察知识的熟记程度，而法律/行政公务（特别是后者的行测题）更依赖于

总结显著增强：行政公务、推理与数学计算 大幅优化。  变弱：金融（↓4.9）、法律（↓1.6）、教育（↓1.6）、医疗（↓1.6） 均有所下降，其中金融领域降幅较大。  基本稳定：心理健康、语言与指令遵从变化极小。  

【关键发现】​​1.国产优势​​：除行政公务（openAI/Google并列第一）和语言领域（openAI第一）外，其余6个领域第一名均为国产模型​​2.专精特长生​​：腾讯在医疗、金融领域领先openAI/Google在推理计算和行政领域强势深度求索在语言理解表现优异​​3.性价比标杆​​：免费模型：GLM系列两款（医疗/金融场景适用）极致低价：DeepSeek蒸馏模型（＜0.5元）适合教育/语

相比instruct模型，qwq总分提高了13%，十分可观。最突出的改进，除了“推理与数学计算”提升21%外，“法律”及“行政公务”都有大幅提高，分别达到20%、27%。“推理与数学计算”方面的改进在我们预料之中，然而“法律”及“行政公务”方面的显著效果却没有那么显而易见。但仔细琢磨后会发现，医疗/教育/金融/心理健康等领域都更偏向考察知识的熟记程度，而法律/行政公务（特别是后者的行测题）更依赖于

AI大模型在小学奥数考试的综合表现总结1. 核心优势顶尖答题能力商用模型（如gemini-2.5、DeepSeek-R1）在奥数题解中已接近人类专家水平。高稳定性与覆盖率商用模型在优秀（≥90分）和良好（80-89分）区间占比超70%，具备大规模教学应用的坚实技术基础。开源潜力可挖掘DeepSeek-R1等头部开源模型证明，通过针对性优化，开源方案可达到商用标杆水平。2. 局限性长尾效应显著低分模

【评测结论】：百度系模型得分第一，豆包、腾讯系混元大模型、deepseek分列2-4名，，其中deepseek是前5中唯一一个开源模型。

【评测结论】：百度系模型得分第一，豆包、腾讯系混元系列模型分列2-5名，deepseek排名第6，其中hunyuan-large是前5中唯一一个开源模型。

【评测结论】：百度得分第一，豆包第二，deepseek第四，腾讯系混元系列模型占据第3和第5名，其中deepseek是前五中唯一的开源模型。各科目完整评测题集及结果详见：https://github.com/jeinlee1991/chinese-llm-benchmark