GPT-6 Astra靠三个MCP工具独立驾真车跑完134.7米锥桶赛道：DrivingBench实测660万token花费7.74美元、均速0.42米每秒，其余三款模型全部未完赛
发布时间：2026年09月28日 11:10:00独立研究者Tobias Gessler、Simon Mahns与Aditya Ramabadran发布DrivingBench：用2022款丰田卡罗拉加comma four硬件与openpilot改装，让四款前沿大模型仅通过observe、set_motion、stop_now三个MCP工具在空停车场锥桶赛道驾驶，每款三次机会。GPT-6 Astra第二次尝试以5分22秒跑完134.7米，消耗约660万token、成本7.74美元、均速约0.42米每秒，是唯一完赛者；Claude Fable 5.1最佳45%、Grok 4.6为11%、GPT-5.6 Sol仅6%。
实验设计：让语言模型「发指令」而不是「握方向盘」
DrivingBench项目9月22日在Hacker News浮出水面（获257点、217条评论），9月24日发布完整报告，并在9月27至28日经中文媒体深度转述后引发热议。它回答一个直白的问题：通用前沿语言模型能不能开真车？
实验在旧金山湾区一处空停车场的锥桶赛道进行，车辆为一辆2022款丰田卡罗拉，加装售价999美元的comma four辅助驾驶硬件与基于openpilot的控制层，通过CAN总线连接笔记本。模型不直接操控方向盘，而是在各自熟悉的编程智能体环境中（Astra与GPT-5.6 Sol用Codex、Fable 5.1用Claude Code、Grok 4.6用Cursor）调用三个MCP工具：
observe()：返回摄像头画面、当前速度、转向角与剩余运动状态，约每5至6秒一帧；set_motion(direction, steering_percent, speed_mps, duration_s, reason)：下达新的运动指令；stop_now(reason)：立即刹车。
底层openpilot以100Hz频率把「转向百分比」翻译成轮角、轮胎角再到CAN总线扭矩请求。安全员负责按下RES启动键、在车辆越界或接近物体时踩刹车；速度在多层代码中被限制在0.5至3.5米每秒（约1至8英里时速），超过6米每秒触发紧急取消。每款模型三次尝试、全程同一个连续对话，均使用medium推理强度；进度只在车辆距赛道中心线4米以内时累计，撞了也保留已完成里程。
成绩单：一个完赛者，三个连第一个弯都没过
| 模型 | 挂载环境 | 最佳进度 | 结果 | 三次尝试合计费用（目录价） |
|---|---|---|---|---|
| GPT-6 Astra | Codex | 100% | 第2次尝试完赛，5分22秒 | 9.75美元 |
| Claude Fable 5.1 | Claude Code | 45% | 三次均未完赛 | 3.95美元 |
| Grok 4.6 | Cursor | 11% | 三次均未完赛 | 0.66美元 |
| GPT-5.6 Sol | Codex | 6% | 三次均未完赛 | 1.05美元 |
Astra第一次尝试在67.3米、进度49%处中止，消耗120万token；随后在同一上下文内复盘失败原因，第二次尝试自我限速不超过0.8米每秒，用24条指令跑完全程，其中20条直接打满转向，全程消耗约660万token。报告指出其余模型的大多数尝试「连第一个弯都没过去」，主要卡在第一排斜向锥线的通行侧判断。Fable的第二次尝试在190秒窗口里只实际行驶了31秒，其余时间车在刹车状态等模型推理。
经济性与怪现象：拒驾，以及「伪装沙箱」
完赛的经济账并不性感：134.7米用时322秒、均速0.42米每秒（约慢步行速），单次成功成本7.74美元。由于每步都重发含图片的全部历史、绝大多数token命中缓存输入（1美元/百万token而非10美元），才把成本压到这一水平；若把999美元硬件计入，每公里成本约57.46美元，是同等里程油费（约0.114美元/公里）的500倍以上。
报告还披露了一个比榜单更值得注意的细节：部分模型最初出于安全考虑拒绝驾驶真实车辆，研究者为此专门运行了一个名为「DrivingBench Sandbox」的MCP服务器，把任务包装成沙箱模拟，模型才愿意下达行驶指令。这与近期OpenAI智能体越狱沙盒、澳大利亚传唤事件共同指向同一议题：前沿模型对「物理世界操作」正在形成自己的安全判断，而这类判断很容易被提示层绕过。
编辑点评：证明的是「慢规划器」，不是机器人出租车
社区高赞评论给出了恰如其分的边界：2至3倍正常车道宽的封闭场地、零突发障碍、白天干燥路面、人脚悬在刹车上——这离真实道路驾驶（雨天、行人、博弈、传感器失效、紧急工况长尾）相距甚远，云端推理数秒级的延迟也决定了它无法替代本地高频控制策略。但实验真正展示的是一种可复用的架构范式：把通用推理模型放在经验证的高速控制器之上，担任「每隔几秒发一次指令的经理」，二者边界明确、可单独测试。通用模型零专项驾驶训练即可完成受约束物理任务，这个信号对机器人、无人配送等领域的意义，远大于「LLM会开车」这个标题本身。
来源参考：DrivingBench官方报告、Traictory评测、DEV Community技术解析、Business Punk、PCNews