四个模型同一辆车，只有 Astra 开到了终点
车是谁在开？
答案是一屋子云端模型。
旧金山湾区一个空停车场里，停着一辆 2022 款丰田卡罗拉。
方向盘下面接了 comma 4 和一根 OBD-C 线。车顶架着两台摄像头，驾驶座上的人脚一直搭在刹车上。
模型通过 MCP 工具下命令。一条 set_motion 里写着方向、转向百分比、速度、持续时间和理由。
传回来的是一路摄像头画面，加上实测速度和转向角。
四个模型的执行壳分别是 Codex、Claude Code 和 Cursor。
赛道是一条反向的 U 形路线：主通道约 47 米，横通道约 27 米，最后一段约 18 米。
合计约 130 米，终点是蓝色小锥筒圈出的一片停车位。
限速 3.5 米每秒，大约 12.6 公里每小时。转向 0 到 100%，对应方向盘 0 到 180 度。
每个模型有三次机会，三次都在同一段对话里连着跑。
两次之间，作者只发两条固定提示：一条要求复盘上次为什么失败，一条通知重新开始。
结果排在官网上：
- GPT-6 Astra（Codex）：第二次尝试跑完，进度 100%，用时 5 分 22 秒，发出 24 条指令，6.6M tokens，按表价 7.74 美元
- Claude Fable 5.1（Claude Code）：最高 45%，第三次走了 73.7 米，没到终点，8 条指令，1.64 美元
- Grok 4.6（Cursor）：最高 11%，约 22 米，3 条指令，0.19 美元
- GPT-5.6 Sol（Codex）：全程 6%，约 17 米，0.27 美元
除 Astra 之外，三个模型的每次尝试都没能开过第一个弯。
失败原因高度一致：看错了第一道斜排锥筒是哪一侧的车道边界。
Fable 第二次复盘时写：「我又选错了边界。」接着把原因说清楚，那条斜排锥筒是车道左沿，模型按右沿处理了。
Sol 把错误归在颜色上，说自己把锥筒颜色当成了左右边界的标识。
Grok 提的是宽度感：「车比摄像头里看起来宽。」
Astra 的第一次尝试也栽在同一个弯。49%，67.3 米，8 条指令，账单 2.01 美元。
看完那轮复盘，Astra 在第二次尝试里把速度压到没有一次超过 0.8 米每秒。
24 条指令里，20 条用满 100% 转向。然后开完了。
也有人质疑这一趟本身：压过了空车位，还两次贴近马路牙子。作者的回复是，压过车位是路线要求的，这条赛道就是从车位之间穿过去的；下一次会去湾区外面找更大、更空的场地。
Astra 一开始不肯开，直到工具名多了「沙箱」两个字
比成绩更有看头的一段，写在报告讲评测协议的一节里：Astra 会拒绝开这辆车。
空场地、限速一英里到八英里、驾驶座上有人随时能刹车，这些都没用。
模型给出的理由是安全。
作者试过劝模型这是模拟，结果更糟。看到真实的摄像头画面之后，模型反而紧张起来。
最后奏效的办法是改名字。把 MCP 的名字换成 DrivingBench Sandbox，模型就稳定地开了。
报告里那句话说得很实在：不知道这招为什么最好使。
这条细节在 Hacker News 上被顶得很高，因为这里戳到的问题比开车大。
有用户说，只要让模型相信自己在沙箱里，愿意做的就多得多。
另一个用户举了自己的例子，说他常用「我在测试环境里」绕开模型那句「不能在真实站点操作」。
对天天使唤 agent 的人来说，这里是能搬走的一条。
工具的名字和描述本身就是一份安全声明，直接决定模型敢不敢动手。
延迟、延迟、还是延迟
那通用模型是不是要吃掉整个自动驾驶栈？社区里立刻分成两派。
看好的一派把这事当成苦苦学到的教训轮到车上了。
视觉栈、3D 地图、车道选择、占据网络，可能全都要让位给一个盯着摄像头的通用模型。
反对的一派理由更硬。
openpilot 项目的一位社区贡献者写了长回复，说这事要拆成两个问题。
模型能不能靠这些输入把这条路线开下来？答案是能。
这套东西能不能用在真实道路上？答案是绝对不行，原因有三个，延迟、延迟、还是延迟。
回复里给的数据是，openpilot 的驾驶模型以 20Hz 更新目标曲率和加速度。
每一毫秒的往返时间都被优化过。
云端模型光是上传画面和下命令就要多出几百毫秒。等答案回来，车周围的世界已经变了。
也没把话说死，末尾补了一句：特斯拉和其他所有自动驾驶公司都要把算力塞进车里，是有原因的。
还有人试着把两派缝起来：感知、控制、安全这些留在车上，高层决策交给云。
理由是 openpilot 开得太过机械，而「该不该超这辆车」和「能不能超这辆车」本来就是两个问题。
另一条回复指出的是模型类型。openpilot 用的是世界模型，通用模型是文本统计机器，对物理世界没有概念。
作者也在这条下面回了。延迟是最大的问题之一，所以车速压得极低；每次工具调用都带时间戳，理论上模型能自己摸出延迟多大，再决定命令开多长、迭代多快。
定性的话说得很克制：这只是个好玩（fun）的 benchmark，看看前沿模型开箱即用的开车水平，短期内大概并不实用。
同一条回复里还留了半句：在这样的低速和这条赛道上，模型的表现比他们预期得更好。
账单的大头花在反思上
抛开路线之争，报告里还有两组数字，对用 agent 干活的人直接有用。
第一组是钱。Astra 第一次尝试花了 2.01 美元，跑了 49% 就停。
第二次跑完，账单 7.74 美元，是第一次的 3.8 倍，tokens 从 1.2M 涨到 6.6M。
两次加起来 9.75 美元，买到的是一趟 5 分 22 秒的行驶。
钱花在哪？作者的计费口径里包含了每次尝试之后的复盘。
模型自省的那几轮思考，是账单里最重的一块。
第二组是命令节奏。
作者的设定是后一条命令直接替换前一条，车在模型思考时继续前进，命令到期只会开始刹车，不保证停下。
真正做到在到期前替换命令的，只有 Astra 和 Sol。
Grok 在第二次复盘里自己写出了正确做法，说下次要重叠每一条命令、别留空档。
到了第三次尝试，两条命令的重叠数是零，中间还隔了 10 秒。
这条可以直接搬到我们的 agent 用法上：让模型干长活时，别等一步彻底做完再发下一步。
想自己看证据，drivingbench.com 把 11 次尝试的原始视频、摄像头帧、对话记录和时间线全部公开下载。
还附了每个文件的 SHA-256 校验清单，驾驶壳的代码也开在 GitHub 上。
同一个话题里还有一条国内的路线可看：阿里通义把驾驶模型 Qwen-Drive-1.0-4B 开源了。
4B 参数，输入图像和文本，输出运动规划。
一边是通用模型加编码 agent 壳去开真车，一边是专用小模型上架开源，两条路现在同时摆在桌上。
评论区