一个名为DrivingBench的新基准已被开发出来,用于测试视觉语言模型在真实世界驾驶的能力。该基准使用一辆丰田卡罗拉,配备了允许模型查看摄像头画面并直接控制车辆转向和速度的工具。在初步测试中,GPT-6 Astra是GPT-6 Astra、Claude Fable 5.1、GPT-5.6 Sol和Grok 4.6中唯一成功完成课程的模型,这表明了当前AI在执行需要持续行动和监控的复杂真实世界任务方面的局限性。 AI
影响 测试视觉语言模型在数字基准之外的真实世界适用性,突显了其在复杂、长时任务方面的当前局限性。
排序理由 该项目描述了一个用于评估AI模型的新基准和研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Claude Code
- Claude Fable 5.1
- Codex
- Cursor+
- DrivingBench
- GPT-5.6 Sol
- GPT-6 Astra
- Grok 4.6
- Toyota Corolla
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →