Ютубер Пітер Бйорк встановив у Volvo 240 двигун V10 від Lamborghini Gallardo та доповнив його двома турбінами. Під час тестового заїзду автомобіль розігнався до 220 км/год і показав результат 5,3 секунди на дистанції 201 метр.

Про це пише видання Autoblog.

Volvo 240 відомий насамперед як практичний і надійний автомобіль. Модель дебютувала у 1974 році та випускалася протягом 19 років — до 1993-го. За цей час виробник створив понад 2,8 млн машин.

Втім, Пітер Бйорк вирішив перетворити класичний седан на радикальний проєкт. У його автомобілі під назвою Waffle встановлений 5,2-літровий V10 від Lamborghini Gallardo, який отримав дві турбіни.

Від стандартного Volvo 240 у автівки залишився переважно зовнішній вигляд. Автомобіль побудований на спеціальному шасі, двигун розташований посередині, а задню частину кузова значно розширили. Через це седан більше нагадує екстремальний стріт-род, ніж звичайний Volvo 240.

Під час нещодавніх тестових заїздів Waffle подолав 1/8 милі приблизно за 5,3 секунди. На фініші швидкість становила близько 220 км/год. При цьому Бйорк зазначає, що силова установка ще потребує налаштування, тому потенціал десятициліндрового двигуна поки не використаний повністю.

Waffle — не єдиний Volvo 240 Бйорка з двигуном Lamborghini. Раніше він створив універсал Volvoghini з атмосферним V10 від Gallardo. У ньому двигун встановлений спереду, а сам автомобіль зберіг значно більш стриманий вигляд і навіть може буксирувати причіп.

Обидва проєкти поєднують класичний дизайн Volvo 240 із потужними десятициліндровими двигунами Lamborghini, але Waffle отримав значно радикальнішу конструкцію.

Дослідники DrivingBench дали чотирьом сучасним AI-моделям реальний контроль над Toyota Corolla: кермом, акселератором і гальмами. Людина сиділа за кермом лише як страховка з ногою над педаллю гальма. Із чотирьох моделей повністю пройти трасу змогла тільки одна.

Команда DrivingBenchпровела незвичайний експеримент: замість чергового тесту в симуляторі підключила мовні моделі до реального автомобіля. Toyota Corolla 2022 року оснастили пристроєм comma four з openpilot, після чого GPT-6 Astra, Claude Fable 5.1, Grok 4.6 і GPT-5.6 Sol по черзі отримали можливість керувати машиною на закритому майданчику.

Це була справжня машина, а не симулятор

Умови тесту були максимально простими і водночас незвичними для мовних моделей. Перед автомобілем проклали приблизно 130-метрову трасу з конусів на порожній парковці. Машині потрібно було пройти повороти, залишитися всередині розміченого коридору і в кінці заїхати у фінішну зону.

AI бачив дорогу через камери, отримував зображення і міг віддавати команди трьох типів: подивитися на ситуацію, задати рух із певною швидкістю та кутом керма або негайно зупинити автомобіль.

Керування було не безперервним у звичному для автопілота сенсі. Модель приймала рішення, формувала команду, машина виконувала її певний час, після чого AI знову оцінював новий кадр.

Це важлива деталь, тому що автомобіль міг продовжувати рухатися, поки модель ще «думала». Саме затримка відповіді стала одним із факторів тесту.

We gave ChatGPT, Claude, and Grok control of a real Toyota Corolla ?, steering/gas/brakes, no human driving (just a foot over the brake). Only one model was able to complete our entire driving course. Introducing DrivingBench. ??? t.co/HhukXrByus

— DrivingBench (@DrivingBench) September 21, 2026

Яка модель доїхала до фінішу

Найкращий результат показала GPT-6 Astra. У першій спробі вона пройшла 49% дистанції, після чого їй дали проаналізувати власні помилки.

Під час другої спроби модель змінила тактику: почала їхати повільніше, давати коротші команди і сильніше повертати кермо у складних місцях. Результат — повне проходження траси за 5 хвилин 22 секунди.

Claude Fable 5.1 у найкращій спробі пройшла близько 45% маршруту. Grok 4.6 дісталася приблизно до 11%, а GPT-5.6 Sol — лише до 6%. Обидві останні моделі так і не змогли нормально пройти перший поворот. Тож із чотирьох учасників тільки одна модель завершила маршрут.

Людина все ж сиділа за кермом

Попри ефектний опис «AI керував автомобілем сам», експеримент не був повністю безлюдним.

У водійському кріслі постійно сидів оператор. Він не керував машиною, але тримав ногу над педаллю гальма і втручався, якщо автомобіль наближався до конусів, бордюру або виходив за межі траси.

Організатори також жорстко обмежили швидкість. Робочий діапазон становив приблизно 0,5-3,5 м/с, тобто близько 2-13 км/год. Був передбачений і окремий аварійний ліміт швидкості.

Тому DrivingBench не можна прямо порівнювати із серійними системами автономного водіння.

У випадку DrivingBench йдеться насамперед про експеримент із загальними AI-моделями, які ніколи не створювалися як спеціалізовані автомобільні контролери.

Чим саме керував штучний інтелект

Toyota Corolla була обладнана системою comma four та openpilot. Саме вона перетворювала команди мовної моделі на фізичні дії автомобіля.

Наприклад, модель могла задати швидкість, тривалість руху і ступінь повороту керма. Контролер переводив це у конкретний кут керма, а openpilot вже надсилав відповідні команди електропідсилювачу та системам автомобіля.

У США NHTSA почала розслідування щодо систем Comma після смертельних аварій. Саме тому організатори DrivingBench максимально обмежили швидкість і проводили тест лише на закритій території.

Чому більшість моделей провалилася вже на першому повороті

Найцікавіше в експерименті не те, що одна модель доїхала, а те, наскільки легко інші помилялися. Частина моделей неправильно інтерпретувала кольори конусів і вирішила, що вони позначають ліву та праву межу траси. Насправді колір не мав такого значення.

Інші моделі давали занадто довгі команди або недостатньо активно повертали кермо. Через це автомобіль продовжував їхати у неправильному напрямку ще до того, як AI отримував новий кадр і встигав виправитися.

Саме тому DrivingBench тестує не лише «інтелект». Тут одночасно важливі швидкість відповіді, зорове сприйняття, планування траєкторії, здатність оцінювати власні помилки та швидко коригувати поведінку.

Це зовсім не те саме, що сучасний автопілот

Спеціалізовані системи автономного водіння працюють інакше. Вони безперервно отримують інформацію з камер, радарів, лідарів та інших датчиків і виконують розрахунки багато разів на секунду.

Звичайна мовна модель натомість отримувала окремий кадр, аналізувала його та формувала текстоподібну команду для контролера.

Тому навіть перемога GPT-6 Astra не означає, що ChatGPT завтра можна підключити до машини та випустити в міський трафік.

DrivingBench добре показує одну з причин: навіть дуже потужна модель може зробити елементарну помилку там, де людина інтуїтивно орієнтується за кілька секунд.

Toyota вже вчила автомобілі робити значно складніше

Іронія в тому, що сама Toyota вже давно тестує спеціалізовані алгоритми автономного керування у набагато складніших умовах.

Ще кілька років тому Toyota Research Institute навчив автономний спорткар виконувати керований дрифт. Там система працювала не як універсальний чатбот, а як спеціально розроблений автомобільний алгоритм, здатний обробляти дані з машини в реальному часі.

У цьому й полягає головна різниця. DrivingBench перевіряв, чи може універсальна модель, яка пише тексти, аналізує зображення та програмує, раптом навчитися ще й водити машину.

Виявилося, що може. Але поки що лише дуже повільно, на парковці, між конусами і з людиною, яка весь час готова натиснути на гальма.

Відео заїздів можна подивитися повністю

DrivingBench опублікував не лише результати, а й записи кожної спроби, телеметрію та діалоги моделей. На офіційному сайті DrivingBench можна відкрити конкретну модель, вибрати спробу й подивитися відео разом із командами, які AI віддавав автомобілю.

Це робить експеримент значно цікавішим за звичайний рейтинг: можна буквально побачити, як модель дивиться на дорогу, приймає рішення, помиляється, аналізує невдачу, а потім намагається їхати краще.