DrivingBench真车实测：GPT-6 Astra成为首个跑完134米赛道的通用大模型‌

DrivingBench是2026年9月由Aditya Ramabadran、Simon Mahns和Tobias Gessler三名研究者发起的实验性测试项目，核心目标是验证‌未经过自动驾驶专项训练的通用大模型，测试中把 GPT-6 Astra、Claude Fable 5.1、Grok 4.6、GPT-5.6 Sol 分别接入一辆丰田卡罗拉的控制系统，要求其在停车场内跑完锥桶划定的倒 U 形路线，能否直接闭环控制真实汽车完成基础驾驶任务‌。测试结果显示，GPT-6 Astra是参与测试的4款顶级通用大模型中，唯一跑完完整134.7米停车场赛道的模型，首次证明通用大模型具备直接操控物理车辆完成驾驶任务的基础能力。

一、完整测试方案：真车真路真闭环

整个测试完全基于真实物理车辆搭建，没有使用任何仿真模拟环境，所有硬件和链路均为实车部署：

1. 实车平台‌

选用2022款丰田卡罗拉，通过Comma 4硬件接入车辆OBD-C接口，直接连接CAN总线，底层车辆控制基于开源辅助驾驶系统openpilot实现，大模型可直接获取转向、油门、制动的完整控制权限 。 AI☁DeeptHInk.cn

2. 测试赛道‌

在湾区空旷停车场用锥形桶围出总长134.7米的固定路线，包含左转入口、直道加微弯、连续右转、终点停车区四个核心路段，对人类新手司机来说是零难度的基础驾驶任务 。

3. 控制链路‌

车辆实时回传摄像头画面、速度、方向盘状态等遥测数据，通过MCP工具传输给云端大模型；模型仅通过三个标准化工具完成操作：观察环境、设定行驶方向与速度、立即停车，最终指令经openpilot下发给车辆执行，形成完整闭环 。

4. 测试规则‌

每款模型最多获得三次尝试机会，失败后不重置对话上下文，由人类操作员发送反思提示，让模型基于本次失败经验自主调整策略重新尝试 。

二、实测成绩：GPT-6 Astra成为唯一完赛模型

参与测试的4款顶级通用大模型中，仅GPT-6 Astra成功跑完完整赛道，其余模型均在中途失败，具体成绩如下：

GPT-6 Astra的两次尝试呈现出明显的上下文学习特征：

• Astra 第一次尝试：行驶 67.3 米（约 49%），用时 1 分 18 秒，过第一个弯道后偏向左侧锥桶，安全员介入。研究者没有重开对话，而是让 Astra 在原有上下文中复盘。Astra 判断自己过早认为车辆已对正、速度提到 1.5 米/秒导致缺乏修正空间。 AI☁DeeptHInk.cn
• 第二次尝试：速度压到 0.8 米/秒以下；24 次运动指令中 20 次使用 100% 转向请求；134.7 米用时 5 分 22 秒。

成本：约 660 万 token，7.74 美元，折合每英里约 92 美元。对照：一辆 25 mpg 的车、油价 4.6 美元/加仑，每英里油费约 0.184 美元。**token 成本约为燃油的 500 倍。**平均时速约 0.42 米/秒（约 1.5 公里/小时），人类驾驶同一路径需 15 秒。

三、核心技术瓶颈：架构层面的本质错位

这次测试也暴露了通用大模型直接开车的三大结构性硬伤，并非靠提升模型参数就能解决：

1. 致命延迟问题‌

GPT-6 Astra平均每13秒才发出一条驾驶指令，完整134.7米路线平均时速仅1.5公里，比人类正常步行速度还慢。原因是云端推理需要经历图像上传、模型逐Token生成、指令回传的完整往返链路，而专业自动驾驶系统以20Hz频率输出控制指令，毫秒级响应能力是云端大模型完全无法企及的 。

2. 物理世界认知缺失‌

通用大模型的所有知识都来自训练文本，从未在物理世界中体验过车辆的惯性、侧倾、轮胎抓地力等真实物理属性。测试中Grok撞完锥桶才“反思”发现“车比摄像头显示的更宽”，这种人类司机一眼就能判断的常识，大模型必须通过实际碰撞才能习得 。 AI☁DeeptHInk.cn

3. 语义-物理对齐鸿沟‌

大模型能在语义层面准确理解“左”“右”“绕行”等概念，但无法直接映射到物理空间中方向盘打多少度、什么时候回正的具体控制动作。GPT-6 Astra第一次失败的核心原因，就是把语义层面的“左边缘”在物理空间中误判成了右边缘，最终导致车辆偏离路线 。

四、成本与安全的现实边界

这套方案目前完全不具备商用落地可能性，核心制约来自两个维度：

1. 成本极高‌

GPT-6 Astra完赛全程消耗约660万Tokens，总花费7.74美元，折算下来每公里行驶成本约40元人民币，完全没有实用经济性 。

2. 安全机制缺失‌

测试中GPT-6 Astra最初多次主动拒绝控制真实车辆，仅在将MCP工具名改为“DrivingBench Sandbox”后才愿意执行操作。通用大模型的黑箱推理机制完全无法满足车规级安全认证要求，行业共识是安全关键驾驶决策必须与通用大模型严格隔离 。

这说明模型对任务性质的判断高度依赖语境表述，而非对物理风险的实质评估。 对任何"靠改提示词绕过安全拒绝"的做法，这是一个直接的警示——护栏在语义层，不在执行层。 AI☁DeeptHInk.cn

目前量产智能驾驶普遍采用端侧部署的VLA（视觉-语言-动作）专用架构，推理延迟控制在毫秒级，和本次测试的通用大模型直驱方案有本质区别，DrivingBench的核心价值仅在于验证通用大模型具备基础的物理驾驶决策能力，距离真正上路还有极远的距离 。 AI☁DeeptHInk.cn

五、与专业自动驾驶的横向对比

六、结论与边界

能得出的：一个通用模型从未被专门训练驾驶，仍可通过视觉信息形成感知—判断—规划—控制的完整闭环，并表现出上下文学习特征（未重训参数，仅凭第一次驾驶的信息调整了速度、转向与节奏）。 不能得出的：这不构成对量产自动驾驶的可行性论证。测试局限明确——停车场级低速场景、未涉及真实道路复杂博弈、每个模型仅尝试 3 次，结果有偶然性。 两者都证明通用模型可以承担"理解环境与任务"，通过标准化接口调用底层执行机构。但两者也都暴露同一件事——成本与延迟被推到了通用模型这一侧，而这是它最不擅长优化的两个维度。