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

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

La empresa está desarrollando un sistema de IA que mejora por sí solo a partir de esa idea. Para ello, utiliza los últimos modelos de OpenAI para comprender el comportamiento de los agentes, detectar puntos débiles recurrentes y crear automáticamente miles de escenarios sintéticos en torno a esos problemas. El equipo utiliza 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 las tareas de investigación y cálculo del sistema, lo que permite a Third Moment ejecutar 10 000 agentes a la vez en investigaciones que duran entre 36 y 48 horas. La empresa también utiliza Daybreak para poner a prueba la seguridad de los entornos en los que trabajan los agentes.

Una de las primeras aplicaciones de Third Moment se centra en las finanzas cuantitativas, ya que ofrecen un criterio claro para medir el éxito. Este ámbito ofrece un marco concreto para estudiar cómo trabajan los agentes y dónde encuentran dificultades. El equipo utiliza Codex para detectar y resolver problemas en el entorno de investigación.

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

Codex detectó un cuello de botella: la prueba retrospectiva de una estrategia de negociación con datos de un año de órdenes sobre acciones estadounidenses tardaba varias horas. Mientras esperaban, los agentes consultaban una y otra vez si la prueba había terminado, desperdiciando tokens y llenando su contexto de comprobaciones de estado.

Tras examinar el rendimiento de la prueba retrospectiva y analizar sus entradas y su uso, Codex identificó una optimización de la caché y una técnica de compactación de datos en memoria. Experimentó con varias soluciones e implementó la corrección en producción, reduciendo el tiempo de la prueba retrospectiva de unas 3 horas a entre 3 y 5 minutos, aproximadamente. Esto redujo el uso de tokens y el ruido en el contexto, dejando a los agentes más tokens disponibles para realizar nuevos experimentos.

Third Moment proporciona a cada agente las herramientas, la información y el entorno que necesita para una tarea específica. Para la investigación cuantitativa, el equipo ejecuta el arnés predeterminado de Codex en un entorno basado 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 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 Codex proporciona a los agentes herramientas para actuar, elaborar planes, establecer objetivos, crear subagentes y compactar el contexto a medida que avanza el trabajo.

Para gestionar los casos en los que los agentes se detienen antes de completar una tarea, Third Moment trata a Codex como un subagente dentro de un arnés externo que utiliza GPT‑6 Sol o GPT‑6.1 Sol. Cuando una tarea queda sin terminar, el arnés externo examina la secuencia de acciones y determina si debe reintentarse, darse por finalizada o remitirse a una persona para su revisión.

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

Según Adam, antes de GPT‑5.5 los modelos solo podían ejecutar los experimentos que les indicaba un usuario. Con GPT‑5.5 y GPT‑5.6, los modelos que trabajaban con el arnés de Codex podían utilizar 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 ejecutados en paralelo con subagentes.

Esta 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 estas representaban una proporción del volumen inesperadamente elevada. «Fue un resultado poco evidente que nuestro equipo de investigación no había contemplado inicialmente», explica Adam.

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

Una de las pruebas de referencia pide a los agentes que reduzcan la latencia de actualización de un servicio de marcadores en directo sin alterar sus resultados. El equipo mide la aceleración dividiendo el tiempo medio 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 aceleración.

Para tareas específicas, como comprobar vulnerabilidades de seguridad concretas en el sistema de simulación, el equipo utiliza modelos más eficientes, como GPT‑5.6 Terra. Para la investigación avanzada, Adam considera que un razonamiento más potente puede justificar un coste mayor: «En el ámbito de las finanzas cuantitativas, encontrar una señal interesante tiene un valor extraordinario».

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

Las pruebas comprueban si un agente podría escapar 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 su seguridad», explica Adam.

La ambición de Third Moment también abarca el trabajo especializado que las empresas realizan a diario. Para un minorista, esto podría significar tomar mejores decisiones sobre la cadena de suministro cuando escasean las existencias o un proveedor se retrasa. 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.

Aprovechando 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 hoja de ruta contempla utilizar billones de tokens para sustentar cadenas de decenas de experimentos interdependientes, con el objetivo de aprovechar esa investigación para mejorar los agentes de forma autónoma a medida que surjan nuevos retos.

Para Adam, esto daría a las personas más capacidad para definir cómo aprenden y trabajan los agentes: «Las personas pueden tener un impacto mucho mayor si se dedican a pensar cómo investigar y cómo optimizar la propia investigación, en lugar de llevarla a cabo directamente».