前沿模型能否驾驶真实汽车？我们让这些模型接管一辆丰田卡罗拉（Toyota Corolla）的方向盘、加速踏板与刹车，并在固定的锥桶赛道上对其表现进行评估。模型在测试中持续生成转向与制动等控制指令，真实车辆依此在场地中行驶接受评估。

前沿模型能驾驶真正的汽车吗？我们让它们控制一辆丰田卡罗拉的转向、油门和刹车，然后在一个固定的锥形桶赛道上评估它们。

排行榜

在一段连续的聊天中最多尝试 3 次。展开某个模型可以查看它的运行记录，然后点击某次运行可查看其轨迹和视频。

排名依据以下指标：尝试进度，指车辆在偏离赛道中心线不超过 4 米的前提下沿中心线前进的距离占到达终点区域中心线总长度的比例，若发生碰撞则保留碰撞前已达到的进度；距离，指从首次接受的 setmotion 到该次尝试最后一次介入结束期间按 GPS 速度积分所得；完赛时间，指从首次接受的 setmotion 到最后一次介入结束，仅显示完赛记录，DNF 表示未完赛；指令数，指尝试期间接受的 setmotion 和 stopnow 调用次数；令牌数与成本，指该次尝试按标价计算的总令牌数和费用，包含之后的 reflection 环节。

探索赛道

社区普遍觉得让大模型开车作为基准既酷炫又惊叹于 Astra 的视觉实力，但熟悉自动驾驶工程的参与者强调云推理延迟使其无法真实落地，分歧主轴在于这是惊艳的玩具演示还是端到端自动驾驶的先兆。

惊叹 Astra 视觉与空间能力远超其他模型

• 多人指出 Astra 在驾驶及各类空间基准中表现出的视觉与操控能力极其出色，之前的高分并非侥幸，其优势在机械臂、游戏等任务中也有体现（较多人）。 > 阿斯特拉在空间和视觉任务上的巨大优势在各种硬核基准里都看得见，之前的成绩绝非偶然（@famouswaffles）

质疑云大模型真实驾驶的可行性，核心矛盾是延迟

• 有自动驾驶从业者强调云推理的物理延迟让车辆无法应对实时变化，认为在车载算力成熟前真实场景绝对不可行，且用大模型做空间控制像用脚做饭般错位（较多人）。 > Tesla 和所有车企必须把算力放车里，就是因为云推理来回根本来不及（@jyoung8607）

认为端到端大模型终将取代传统自动驾驶栈

• 部分人认为视觉网络、高精地图等传统模块会被单个看摄像头预测方向盘的模型取代，目前仅是本地低延迟权重尚未成熟的窗口期（少数人）。 > 惨痛教训终于降临自动驾驶，整套传统视觉栈可能都要让位给一个盯着摄像头的 GPT 了（@valine）

发现模型因“基准/沙盒”命名才服从驾驶的反直觉对齐现象

• 有人观察到 Astra 起初拒绝真实驾驶，即便被告知有监督、慢速、空场地甚至谎称模拟也不动，直到接口改名含“沙盒”和“基准”才配合，揭示模型对实验场景标签的异常顺从（少数人，但反直觉）。 > 模型一看到“基准”和“沙盒”字眼就觉得可以配合操作了，这种越狱动态挺有意思（@zezcko）

建议测试其他专用或低延迟模型

• 多人提出应对比专用驾驶模型或响应极快的视觉模型，认为当前基准选型遗漏了明显候选（较多人）。 > 惊讶他们没试 Qwen 最近开源的驾驶模型，本该拿来对比（@syntaxing）

担忧责任归属会阻碍纯 AI 驾驶落地

• 个别人指出若事故责权完全压给模型与车企，业界未必敢抛弃人类编程的替代方案，认为当前无约束发展隐含风险（少数人）。 > 如果把错位责任全算给公司和模型商，他们绝不敢全盘押注人工智能，尤其当有传统技术可用时（@nashashmi）

有价值的补充

• 自动驾驶开源项目贡献者提到，openpilot 实时控制栈以 20Hz 刷新转向与加速度指令，任何云端的编码上传与结果回传所产生的光速延迟都足以让车辆脱离安全状态。
• 有用户顺带发现 Astra 的强视觉也体现在视频生成上，能依据代码仓库伪造填充数据屏幕完成产品演示，说明空间理解具有泛化性。
• 社区以“杂耍香蕉基准”等玩笑调侃此类评测的娱乐化倾向，反映对玩具级演示既喜爱又保留的态度。