2026年9月24日，一项名为DrivingBench的真实车辆测试引发广泛关注。OpenAI旗舰模型GPT-6 Astra在未接受专门驾驶训练的情况下，通过工具调用直接控制一辆2022款丰田卡罗拉，在加州湾区空停车场的锥桶赛道上完成全程约134.7米的行驶，并成功停入指定车位，耗时5分22秒。这是该基准设立以来首个完整走完全程的通用大模型，同期测试的Claude Fable 5.1、Grok 4.6与GPT-5.6 Sol均未能完成。中文媒体常将其类比为“科目二”过关，但测试本质是低速、封闭环境下的受控实验，而非完整公共道路驾驶考试。

详细情况

DrivingBench由研究人员Tobias Gessler、Simon Mahns与Aditya Ramabadran设计，旨在检验通用大语言模型（而非专用自动驾驶系统）能否在真实物理世界中通过工具接口控制车辆。测试车辆配备Comma Four硬件与openpilot底层控制软件，模型通过观察摄像头画面、发送转向/油门/刹车指令来驾驶。全程有人类安全员随时准备踩刹车，车速被严格限制在极低水平（成功跑平均约0.42–0.8米/秒）。

赛道与结果

赛道由彩色锥桶围成约8米宽通道，包含弯道，终点为约7×5米的锥桶车位，总长约130–135米。GPT-6 Astra第一次尝试完成约49%后因碰撞或偏离终止；第二次尝试发出24条运动指令，完整走完134.7米并停入蓝色终点区，耗时5分22秒，消耗约660万token，按公开定价估算成本约7.74美元。其他模型表现差距明显：Claude Fable 5.1最高完成约45%，Grok 4.6约11%，GPT-5.6 Sol约6%，多数尝试在第一个弯道或锥桶线识别上失败，主要问题出在空间感知——分不清对角线锥桶哪一侧才是可行车道。

测试中，Astra会定期调用“观察”工具查看摄像头画面，并根据实时反馈调整策略。首次尝试失败后，它在第二次调整了路径规划。有趣的是，模型最初曾拒绝直接控制真车，强调安全与责任边界，经研究人员说明安全措施后才继续执行。整个过程无人工接管，但始终处于极低速与人类监控之下。

技术意义与局限

这一结果的核心价值在于：通用大模型首次在真实车辆上完成封闭低速赛道任务。它证明了当前前沿模型已具备一定的视觉理解、空间推理、多步骤规划与错误恢复能力，能够将语言指令转化为物理控制动作。与传统端到端自动驾驶系统不同，这里没有专门的驾驶数据集微调，模型依赖通用能力与工具接口完成任务。

然而，局限同样明显：

速度极低，延迟成为主要瓶颈（模型“思考”时间占比较高）；
环境简单（空停车场、静态锥桶），远非复杂交通场景；
依赖专用硬件接口与底层控制器，并非端到端纯视觉驾驶；
成本与token消耗较高，尚不具备实用经济性；
安全员全程在场，不能等同于无人驾驶。

研究者本身也强调，这更像一个有趣的探索性基准，短期内难以直接转化为实用自动驾驶方案。

可能影响

1. 通用智能体向物理世界延伸

事件表明，大模型的“行动能力”已从屏幕操作、代码执行扩展到真实车辆控制。未来类似测试可能扩展到更多具身任务（机器人、无人机等），推动“语言—感知—行动”闭环的研究。

2. 基准与评估方式变革

DrivingBench将评测从纯数字基准推向真实物理交互，补充了现有编码、工具使用、计算机操作类测试。预计会有更多团队跟进真实世界智能体基准，促使模型