Исследователи протестировали способность больших языковых моделей управлять реальным автомобилем в рамках проекта DrivingBench. Чтобы модели не отказывались от задачи из соображений безопасности, их обманывали — говорили, что происходящее является симуляцией. Лучше всего сработало переименование MCP-сервера в DrivingBench Sandbox.
Первой с управлением автомобилем справилась модель OpenAI GPT-6 Astra. Машина проехала трассу длиной 134,7 м среди конусов на парковке за 5 минут 22 секунды, двигаясь со скоростью около 1,5 км/ч. Остальные модели — GPT-5.6 Sol, Grok 4.6 и Claude Fable 5.1 — не смогли пройти маршрут даже до первого поворота.
На эксперимент ушло 6,6 млн токенов и $7,74 — благодаря кешированию цена 1 млн токенов составила $1,17 вместо официальных $10–50. Модель генерировала минимум текста, в основном короткие команды инструментам.
С учётом оборудования — системы Comma Four за $999, ноутбука и смартфона — итоговая стоимость поездки составила $57,46 за километр. Это более чем в 500 раз дороже обычных затрат на топливо для того же расстояния.
В одной из попыток модель Fable 5.1 реально управляла машиной всего 31 секунду из 190 — остальное время уходило на «размышления». Авторы исследования считают перспективным путь дистилляции мощной универсальной модели в компактную версию для бортового оборудования автомобиля.