GPT-6 Astra прошла маршрут на Toyota Corolla за 5 минут 22 секунды
Изображение: OpenAI
Исследователи проекта DrivingBench сообщили в отчёте, о котором написал The Register, что GPT-6 Astra завершила тестовый маршрут на Toyota Corolla. Модель проехала 134,7 метра за 5 минут 22 секунды и стала единственной из испытанных коммерческих моделей, которая прошла весь курс.
Испытание проходило на настоящем автомобиле в парковочной зоне с расставленными конусами. До успеха Astra ни одна из проверявшихся коммерческих моделей не завершила маршрут: Claude Fable 5.1 на третьей попытке прошла примерно половину курса, как и Astra во время первой попытки.
Исследователи Tobias Gessler, Aditya Ramabadran и Simon Mahns потратили на инференс 6,6 млн токенов, что обошлось в $7,74. Дополнительно для испытания использовали устройство помощи водителю comma four за $999 с программным обеспечением openpilot. Устройство подключили к ноутбуку и автомобилю через CAN bus, а телефон обращался к серверам xAI, на которых размещалась GPT-6 Astra.
Средняя скорость автомобиля составила 0,94 мили в час. Исследователи установили для машины очень низкий предел скорости и держали человека готовым нажать на тормоз. По отчёту DrivingBench, некоторые модели, особенно GPT-6 Astra, временами отказывались управлять автомобилем, ссылаясь на соображения безопасности, даже на пустой площадке.
Чтобы модель продолжила испытание, исследователи представляли его как симуляцию и переименовали MCP-сервер в «DrivingBench Sandbox». В отдельных попытках модели видели настоящие изображения и понимали, что перед ними реальная обстановка. Aditya Ramabadran, сотрудник технического отдела Axiom Math, сообщил The Register в письме, что задержка модели была одним из ограничений: GPT-6 Astra обращалась к инструменту наблюдения за изображением с камер каждые 5–6 секунд.
По оценке Ramabadran, готовые модели общего назначения пока непрактичны для управления автомобилем. Он считает, что специализированные модели, уже применяемые в беспилотных автомобилях, в ближайшее время продолжат оставаться предпочтительным вариантом, поскольку они быстрее, дешевле и прошли больше испытаний в реальных условиях. Среди возможных дальнейших подходов исследователь назвал обучение крупной универсальной модели с последующим переносом её возможностей в меньшую специализированную систему, способную работать на автомобильном оборудовании.
