在目前公开的大模型实车驾驶测试中，OpenAI的GPT-6 Astra是唯一成功跑完真实赛道全程的模型，但这场实测也暴露出通用大模型直接开车在成本和安全性上的巨大鸿沟。

　　一、DrivingBench实测：Astra成为首个跑完全程的大模型

　　测试设置：一辆2022款丰田卡罗拉搭载comma four硬件，通过三个MCP工具（观察、设定运动、立即停车）接受云端大模型控制，路线为停车场锥桶赛道。

　　表现最佳：GPT-6 Astra以100%完成度成为唯一跑完全程的模型，用时5分22秒、平均时速1.5公里，二次尝试中主动调整为全程压速策略。

　　其余成绩：Claude Fable 5.1完成度45%排第二，Grok 4.6和GPT-5.6 Sol分别仅完成11%和6%，均在首个弯道失败。

　　二、看似成功背后：成本与延迟的双重掣肘

　　费用惊人：Astra全程消耗6.6M tokens、花费7.74美元，折合每公里约40元人民币的token费用。

　　龟速行驶：全程车速控制在每秒0.8米以下，每分钟仅发出约六条指令，比走路快不了多少。

　　云端依赖：每次决策需往返云端，几秒钟推理延迟导致指令间出现空窗、车辆频繁刹停，真上路就是移动路障。

　　三、行业视角：大模型直接开车不可行，但可作"认知增强器"

　　业内判断：卓驭科技陈晓智明确表示，"直接用大模型放到车上去开车是不太行的"，更大价值在于训练方法上的技术启发。

　　合理路径：行业更倾向"模块化+大模型辅助"混合架构，将大模型用于场景解释、长时程预测等中高层推理，而非直接闭环控制。

　　国内实践：商汤与东风、元戎启行与高通等已量产一段式端到端VLA模型，车端推理、无网络依赖，走的是专用智驾路线。

本文由AI生成