SkyPilot 团队在官方博客公布了一项飞行跑车模拟实验：通过监督微调和强化学习，让 Qwen3-4B 在风暴条件下实时完成踢翻特技。据发布方自测，训练后的模型回复耗时约 0.09 秒，在 384 次保留测试飞行中成功落地 347 次，成功率约 90%。这项实验同时比较了决策质量与响应速度：车辆每 0.2 秒就需要一条新指令，模型思考期间，模拟世界仍在运行。
团队设置了坡道翻转和飞越 Cybertruck 后横滚一周两种任务。模拟器中的车辆长 4.5 米、空重 2000 公斤，配有四个推进器；风暴档风速为每秒 24 至 33 米。模型读取遥测数据、选择指令，再由底层飞行计算机转换成各推进器的推力。
据发布方测试，DeepSeek V4.1 Flash、Muse Spark Open、Nemotron 3.5 Super 和 Beam 1.0 的决策耗时中位数为 1 至 6 秒，实时踢翻成功率均为 0%，坡道翻转成功率不超过 3%。GPT-6 Astra 每次决策约需 2 秒，在两种特技合计 768 次风暴飞行中，实时落地次数为零。
暂停模拟器、等待每次回复后，结果明显不同：风暴踢翻中，DeepSeek 成功率为 87%，Muse、Nemotron 和 Beam 分别为 62%、60% 和 58%，GPT-6 Astra 为 74%。这些均为 SkyPilot 在该环境中的自测结果。
团队以 Qwen3-4B-Instruct-2507 为基础，使用 rank-64 LoRA 和 SkyRL 训练。热启动阶段，每种特技采用 64 条规则脚本完成的轻风飞行记录，另加入 350 条 DeepSeek 成功落地的大风与风暴踢翻记录，进行监督微调。
随后进行 60 步 GRPO 强化学习，每步包含 16 个任务，每个任务尝试 8 次飞行。据团队报告，仅完成模仿学习时，模型在 384 次风暴踢翻测试中落地 322 次，成功率为 84%；加入强化学习后增至 347 次，约为 90%。
发布方估算，最终模型训练用了约 4 个 GPU 小时，其中热启动为 2 小时 20 分钟，强化学习为 1 小时 35 分钟。按每张 H100 每小时约 3.39 美元计算，费用约 13 美元；寻找这套训练配方还进行了更多轮实验。
团队指出，4B 模型在风暴踢翻中领先无限思考时间的 DeepSeek，但配对检验的 p 值为 0.07，未达到预设的显著性门槛。同一配方重跑时，96 次验证风暴飞行的落地次数为 85 至 92 次，文章采用的是其中最好的一次，作者认为重跑结果大概率与 DeepSeek 相当。
这项测试没有验证真实车辆驾驶能力：环境和车辆参数均为团队自设假设，保留测试只更换两种特技的随机条件，并非测试新特技。DeepSeek 的风暴飞行记录也参与了热启动，团队尚未在该模拟器中训练传统控制策略作为对照。
