Third Moment Research: 10 000 agentes por más de 36 horas

Cada empresa tiene sus propios flujos de trabajo, herramientas, casos excepcionales y criterios de éxito. ⁠(se abre en una nueva ventana)Third Moment Research⁠(se abre en una nueva ventana) cree que los mejores agentes deben ser muy buenos en ese trabajo específico y mejorar sus capacidades cuanto más se utilicen.

A partir de esa idea, la empresa está creando un sistema de IA que mejora por sí mismo. Usa los modelos más recientes de OpenAI para comprender el comportamiento de los agentes, identificar debilidades recurrentes y crear automáticamente miles de escenarios sintéticos en torno a esos problemas. El equipo usa esos escenarios para mejorar los agentes y repite el proceso a medida que surgen nuevos problemas.

Codex, GPT‑6 Astra, GPT‑6 Sol y GPT‑6.1 Sol sustentan el trabajo de investigación y cómputo del sistema, lo que permite a Third Moment ejecutar 10 000 agentes a la vez en investigaciones de entre 36 y 48 horas. La empresa también usa Daybreak para poner a prueba la seguridad de los entornos donde trabajan los agentes.

Una de las primeras aplicaciones de Third Moment se centra en las finanzas cuantitativas, porque en ese campo el éxito se puede medir con claridad. Este ámbito ofrece un entorno concreto para estudiar cómo trabajan los agentes y dónde encuentran dificultades. El equipo usa Codex para detectar y resolver problemas en el entorno de investigación.

En una ocasión, usó Codex con GPT‑5.6, el modelo GPT más reciente en ese momento, para analizar miles de trayectorias registradas en simulaciones (las acciones de los agentes y las respuestas del entorno), junto con las marcas de tiempo y la base de código.

Codex descubrió un cuello de botella: probar una estrategia de negociación con un año de datos históricos de acciones estadounidenses, desglosados por orden, tardaba varias horas. Durante la espera, los agentes consultaban repetidamente si la prueba había terminado, desperdiciando tokens y llenando su contexto con verificaciones de estado.

Tras evaluar el rendimiento de la prueba con datos históricos y analizar sus entradas y su uso, Codex identificó una optimización de la caché y una técnica para compactar datos en memoria. Experimentó con distintas soluciones e implementó la corrección en producción, reduciendo el tiempo de la prueba de unas 3 horas a entre 3 y 5 minutos. Esto redujo el uso de tokens y la contaminación del contexto, dejando más tokens disponibles para que los agentes realizaran nuevos experimentos.

Third Moment proporciona a cada agente las herramientas, la información y el entorno que necesita para un trabajo específico. Para la investigación cuantitativa, el equipo ejecuta el arnés de ejecución predeterminado de Codex dentro de un entorno en contenedores Docker. Los agentes reciben un terabyte de datos, documentación y un repositorio de investigación con módulos de ingeniería de características, entrenamiento de modelos con soporte de GPU, estrategias de negociación y simulación.

GPT‑6 Astra, GPT‑6 Sol y GPT‑6.1 Sol aportan el razonamiento, mientras que el arnés de ejecución de Codex proporciona a los agentes herramientas para actuar, crear planes, fijar objetivos, generar subagentes y compactar el contexto a medida que avanza el trabajo.

Para resolver el problema de los agentes que se detienen antes de completar una tarea, Third Moment usa Codex como subagente dentro de un arnés de ejecución externo impulsado por GPT‑6 Sol o GPT‑6.1 Sol. Cuando una tarea queda inconclusa, el arnés de ejecución externo examina la trayectoria y determina si se debe reintentar, finalizar el trabajo o remitirlo a una revisión humana.

En ese entorno de investigación, los agentes trabajan para mejorar un sistema base de negociación creado por los ingenieros de Third Moment. Prueban estrategias de negociación con datos históricos, evalúan si una mejora es significativa o solo ruido y usan cada resultado para elegir el siguiente experimento. Según Adam, su trabajo ha mejorado el sistema base de negociación.

Según Adam, antes de GPT‑5.5 los modelos solo podían ejecutar experimentos definidos por un usuario. Con GPT‑5.5 y GPT‑5.6, los modelos que trabajaban con el arnés de ejecución de Codex podían usar los resultados para diseñar experimentos posteriores. Ahora, con GPT‑6 Astra, GPT‑6 Sol y GPT‑6.1 Sol, los agentes pueden investigar las causas de fondo mediante cientos de experimentos que se ejecutan en paralelo con subagentes.

Esa evolución ha ayudado a los agentes a explorar líneas de investigación que el equipo no había previsto. En una sesión, GPT‑6.1 Sol identificó el impacto de las operaciones no visibles en una bolsa donde representaban una proporción inesperadamente alta del volumen. “Fue un resultado poco evidente que nuestro equipo de investigación no había considerado al principio”, dice Adam.

Third Moment evalúa modelos en tareas de optimización, sistemas de aprendizaje automático e investigación cuantitativa. Prueba los nuevos modelos de vanguardia con sus niveles máximos de razonamiento y evalúa su capacidad para explorar repositorios, escribir código eficiente y sostener una investigación. Las pruebas actuales también incluyen GPT‑6 Luna.

Una prueba de referencia pide a los agentes reducir la latencia de actualización de un servicio de marcadores en vivo sin alterar sus resultados. El equipo mide la mejora de velocidad dividiendo el tiempo promedio de ejecución de una solución creada por expertos entre el de la solución del modelo en el mismo hardware, siempre que los resultados sean correctos. Según Adam, GPT‑6 Astra logró la mayor mejora de velocidad.

Para tareas puntuales, como detectar vulnerabilidades de seguridad específicas en el sistema de simulación, el equipo usa modelos más eficientes, como GPT‑5.6 Terra. Para la investigación profunda, Adam considera que un razonamiento más sólido puede justificar un costo mayor: “En las finanzas cuantitativas, encontrar una señal interesante tiene un valor enorme”.

Con 10 000 agentes que se ejecutan de forma autónoma, Third Moment necesita una manera de poner a prueba la seguridad de sus entornos de investigación a gran escala. El equipo usa la plataforma de ciberseguridad Daybreak para automatizar esas pruebas antes de iniciar las simulaciones.

Las pruebas verifican si un agente podría salir de su entorno de investigación y acceder al resto de la red. “Con Daybreak, podemos hacer que los propios agentes realicen pruebas de penetración en la simulación y pongan a prueba su infraestructura y seguridad”, dice Adam.

La ambición de Third Moment abarca el trabajo especializado que las empresas realizan a diario. Para un minorista, eso podría significar tomar mejores decisiones sobre la cadena de suministro cuando escasea el inventario o se retrasa un proveedor. Para un equipo de ingeniería, podría significar encontrar cuellos de botella de rendimiento en una base de código extensa. Para una empresa que maneja mucha documentación, podría significar detectar discrepancias entre los compromisos de un documento y los resultados registrados en otro.

A partir de las capacidades de razonamiento de GPT‑6 Astra, GPT‑6 Sol y GPT‑6.1 Sol, Third Moment planea pasar de investigaciones individuales a cientos de miles de subagentes que colaboran entre sí. Su plan contempla usar billones de tokens para sostener cadenas de decenas de experimentos que dependen unos de otros, con el objetivo de aprovechar esa investigación para mejorar los agentes de forma autónoma a medida que surjan nuevos desafíos.

Para Adam, esto daría a las personas más capacidad para definir cómo aprenden y trabajan los agentes: “Las personas pueden multiplicar su impacto al pensar en cómo investigar y optimizar la propia investigación, en lugar de realizarla directamente”.