研究人员将前沿AI模型置于丰田卡罗拉的方向盘、油门和刹车控制下，以测试其真实世界驾驶能力。评估在一条固定锥桶赛道上进行，模型必须在距离中心线4米以内的范围内行驶。性能通过尝试进度来衡量——即在任何碰撞发生前沿赛道中心线行驶的距离——以及完成运行的结束时间。指标还跟踪了每次尝试的总token数量和按标价计算的成本。该设置名为DrivingBench，允许关注者通过社交平台上的@drivingbench跟踪进度。碰撞事件将进度重置为碰撞前到达的最远点。GPS速度数据有助于计算每次行驶过程中的累计行驶距离。测试包括成功运行和标记为DNF（未完成）的失败情况。