В рамках проекта DrivingBench OpenAI продемонстрировала тягу GPT-6 Astra к управлению автомобилем. По итогам тестов автомобиль двигался заметно медленнее обычного — средняя скорость составила около 1,5 км/ч, а доступ к модели осуществлялся через API. В испытаниях Astra соперничала с другими моделями, однако результаты у конкурентов оказались неудачными, и сама демонстрация фиксировалась на трассе, где в процессе применялись конусная разметка и парковочная зона. Эти данные подтверждают участники проекта и сопровождающие материалы.

Маршрут протяжённостью примерно 134,7 метра проходит на парковке среди конусов. По данным заметок экспертов, Astra добилась прохождения со второй попытки общей продолжительностью 5 минут 22 секунды, при этом управление занимало всего 31 секунду из 190 секунд попытки, а остальное время модель «размышляла» на этапе подготовки к движению. В описаниях экспертов отмечалось, что другим моделям даже до первого поворота сложно было определить направление движения, а реакции на реальные изображения у них вызывали тревогу.

Расходы эксперимента оказались существенно выше, чем расход топлива в тестовой поездке. Машина обошлась в эквиваленте 6,6 млн токенов, что примерно равнялось 7,74 доллара. Авторы расчётов указывают, что кеширование позволило снизить стоимость до примерно 1,17 доллара за 1 млн токенов по сравнению с официальными прайс-листами OpenAI. В число затрат вошли и сервисы помощи водителю Comma Four с ПО openpilot, а также доступ к серверам SpaceXAI, на которых работала Astra. По итогам подсчётов стоимость API-доступа достигла около 57,46 долларов за каждый километр пути.

Авторы исследования подчёркивают, что ИИ-модели искусственно вводили в заблуждение ради того, чтобы не отказываться от управления автомобилем по соображениям безопасности — им рассказывали, что машина находится в симуляции. В отдельных случаях, увидев реальные изображения, модели осознавали реальность обстановки и начинали паниковать. По словам участников проекта, наиболее убедительно выглядело переименование MCP-сервера в DrivingBench Sandbox, что способствовало доверительности эксперимента.