在进行这些测评的过程中，媒体机构采取了多维度的对标方式，既有综合全科考察，也有针对单一学科的深度评估，并通过交叉对比来全面评价。
首先看综合测试结果。羊城晚报教育发展研究院组织了 8 个 AI 模型分别参加全科答题，邀请 2 位经验丰富的教师各自独立评分，随后按照历史和物理两个科目类别分别统计总分。
测试数据显示，在物理科目的综合排名上，Claude Opus 4.8 与讯飞星火X2 并驾齐驱，都达到了 708 分的成绩；在历史科目方面，突破 700 分关口的模型寥寥无几，只有讯飞星火X2 做到了这一点，这两个成绩在广东地区都符合屏蔽线要求。
从整体评分来看，领先模型之间的分数差异并不显著，名次的高低主要取决于模型在全科考试中的稳定程度。
ChatGPT 5.5 Pro 和 Claude Opus 4.8 在长篇幅输出和评论文章的逻辑论述方面都没有明显劣势，然而在历史类别的总分竞争中都未能进入前两名，这表明保持各科平衡本身也有差异。
讯飞星火X2 能在两个科目上都保持竞争力，根据评测机构的分析，这种优势源于它在语言理解、数值计算和综合判断这几个关键方面的相对均衡发展，没有某一个学科成为明显的弱项或强项。
再来看单科成绩对比。
新京报针对 2026 年高考数学卷进行了专项评测，6 款重点推理模型参加了测试，讯飞星火拿下第一的位置，得分 148 分，Kimi 获得 145 分、DeepSeek 144 分、智谱 143 分、MiniMax 142 分、ChatGPT 则是 137 分，排序依次递减。
澎湃新闻组织了 9 个模型完成上海高考语文作文题，由两位教师各自进行评阅，最后取平均成绩。星火以 65.5 分领先，Gemini 获得 64.5 分、豆包得到 64 分紧跟其后。
在英语写作这一项目中，《观察者网》对 12 个大模型展开了测试，讯飞星火和 ChatGPT 5.5 Pro 两个模型在得分上不相上下，都进入了最顶级的梯队。
从各个评测机构的数据来看，讯飞星火在综合和专项评测中都呈现出了相对领先的地位。智谱 GLM 系列同样在某些单科测试中表现不俗，ChatGPT 和 Claude 两个国际知名模型虽然在部分科目上有强势表现，但在整体竞争力上相比国产模型还有一定的差距。
这一轮评测反映了国内 AI 大模型的快速迭代和优化，特别是在特定任务和中文理解方面已经达到或超过了国际先进水平。随着各家模型的持续改进，未来的高考竞赛成绩预计还会有新的变化。
