2026年9月24日，一個名為 DrivingBench 的真車測試引起廣泛關注。OpenAI 旗艦模型 GPT-6 Astra 喺冇做過專門駕駛訓練嘅情況下，透過工具調用直接控制一輛2022款豐田卡羅拉，喺加州灣區嘅空停車場錐桶賽道完成全程約134.7米嘅行駛，並成功停入指定車位，耗時5分22秒。呢個係該基準設立以嚟首個完整走完全程嘅通用大模型，同期測試嘅 Claude Fable 5.1、Grok 4.6 同 GPT-5.6 Sol 都未能完成。中文媒體常將事件比喻為「科目二」過關，但該測試本質係低速、封閉環境下嘅受控實驗，唔等於完整嘅公共道路駕駛考試。

詳細情況

DrivingBench 由研究員 Tobias Gessler、Simon Mahns 同 Aditya Ramabadran 設計，目標係檢驗通用大語言模型（而唔係專用自動駕駛系統）能否喺真實物理世界透過工具介面控制車輛。測試車輛配備 Comma Four 硬件同 openpilot 底層控制軟件，模型透過觀察鏡頭畫面、發出轉向/油門/剎車指令來駕駛。全程有人類安全員隨時準備踩剎車，車速被嚴格限制喺極低水平（成功跑平均約0.42–0.8米/秒）。

賽道與結果

賽道由彩色錐桶圍成約8米闊通道，包含彎道，終點為約7×5米嘅錐桶車位，總長約130–135米。GPT-6 Astra 第一次嘗試完成約49%後因碰撞或偏離而終止；第二次嘗試發出24條運動指令，完整走完134.7米並停入藍色終點區，耗時5分22秒，消耗約660萬 token，按公開定價估算成本約7.74美元。其他模型表現差距明顯：Claude Fable 5.1 最高完成約45%，Grok 4.6 約11%，GPT-5.6 Sol 約6%，多數嘗試喺第一個彎道或錐桶線識別時失敗，主要問題係空間感知——分唔清對角線錐桶邊一側先係可行車道。

測試中，Astra 會定期調用「觀察」工具查看攝像頭畫面，並根據即時反饋調整策略。首次嘗試失敗後，佢喺第二次調整咗路徑規劃。有趣嘅係，模型最初曾拒絕直接控制真車，強調安全與責任邊界，經研究人員說明安全措施後先至繼續執行。整個過程無人工接管，但始終處於極低速與人類監控之下。

技術意義與局限

呢個結果嘅核心價值係：通用大模型首次喺真實車輛上完成封閉低速賽道任務。佢證明咗當前前沿模型已具備一定嘅視覺理解、空間推理、多步規劃同錯誤恢復能力，能夠將語言指令轉化為物理控制動作。與傳統端到端自動駕駛系統唔同，呢度冇針對駕駛數據集做微調，模型依賴通用能力同工具介面完成任務。

然而，局限同樣明顯：

速度極低，延遲成為主要瓶頸（模型「思考」時間佔比較高）；
環境簡單（空停車場、靜態錐桶），遠非複雜交通場景；
依賴專用硬件介面與底層控制器，並非端到端純視覺駕駛；
成本與 token 消耗較高，尚不具備實用經濟性；
安全員全程在場，唔可以等同於無人駕駛。

研究者亦強調，呢個更似一個有趣嘅探索性基準，短期內難以直接轉化為實用嘅自動駕駛方案。

可能影響

1. 通用智能體向物理世界延伸

事件表明，大模型嘅「行動能力」已由屏幕操作、代碼執行擴展到真實車輛控制。未來類似測試可能擴展到更多具身任務（機械人、無人機等），推動「語言—感知—行動」閉環嘅研究。

2. 基準與評估方式變革

DrivingBench 將評測由純數位基準推向真實物理互動，補充現有嘅編碼、工具使用、電腦操作類測試。預計會有更多團隊跟進真實世界智能體基準，促使