Peneliti menempatkan model AI terdepan di bawah kendali setir, akselerator, dan rem Toyota Corolla untuk menguji kemampuan mengemudi dunia nyata. Evaluasi dilakukan pada lintasan kerucut tetap di mana model harus menavigasi sambil tetap dalam jarak 4 meter dari garis tengah. Kinerja diukur berdasarkan kemajuan percobaan—jarak yang ditempuh sepanjang garis tengah lintasan sebelum tabrakan—dan waktu selesai untuk putaran yang berhasil.

Metrik juga melacak total token dan biaya harga daftar untuk setiap percobaan. Pengaturan yang dinamakan DrivingBench ini memungkinkan pengikut untuk melacak kemajuan melalui @drivingbench di platform sosial. Kejadian tabrakan mengatur ulang kemajuan ke titik terjauh yang dicapai sebelum dampak.

Data kecepatan GPS membantu menghitung jarak terintegrasi yang ditempuh selama setiap berkendara. Tes mencakup putaran yang berhasil dan kegagalan yang ditandai sebagai DNF (tidak selesai).