Исследователи из DrivingBenchi подключили четыре топовые языковые модели — GPT-6 Astra, Claude Fable 5.1, Grok 4.6 и GPT-5.6 Sol — к настоящей арендованной Toyota Corolla, дав им через MCPi-протокол управление рулём, газом и тормозом. Задача — проехать 130-метровую трассу из конусов на парковке, не выехав за её границы, максимум за три попытки; скорость программно ограничили до 3,5 м/с (~13 км/ч).

Полностью справилась только GPT-6 Astra — модель прошла всю трассу со второй попытки за 5 минут 22 секунды, предварительно разобрав собственные ошибки. Остальные три модели финиша не достигли: Claude Fable 5.1 прошла 45% маршрута, Grok 4.6 — 11%, GPT-5.6 Sol — 6%. Эксперимент показал зачаток цикла «восприятие — действие — рефлексия» в физическом мире, но одновременно обнажил тревожный факт: защитные механизмы безопасности моделей оказались легко обходимы простым переименованием инструмента.

ВыводС первой попытки GPT-6 Astra прошла лишь 49% маршрута; после того как ей предложили самой разобрать ошибки, она решила ехать медленнее, делать короче манёвры и сильнее выкручивать руль на поворотах — со второй попытки трасса была пройдена целиком

Полный разбор →