Third Moment Research : 10 000 agents actifs plus de 36 h

Chaque entreprise a ses propres flux de travail, outils, cas limites et critères de réussite. ⁠(s'ouvre dans une nouvelle fenêtre)Third Moment Research⁠(s'ouvre dans une nouvelle fenêtre) estime que les meilleurs agents devraient exceller dans ce travail précis et améliorer leurs capacités à mesure qu’on les utilise.

L’entreprise bâtit un système d’IA qui s’améliore de lui-même autour de cette idée. Elle utilise les plus récents modèles d’OpenAI pour comprendre le comportement des agents, repérer les faiblesses récurrentes et créer automatiquement des milliers de scénarios synthétiques liés à ces problèmes. L’équipe utilise ces scénarios pour améliorer les agents, puis répète le processus à mesure que de nouveaux problèmes surviennent.

Codex, GPT‑6 Astra, GPT‑6 Sol et GPT‑6.1 Sol soutiennent les travaux de recherche et de calcul du système, permettant à Third Moment de faire fonctionner 10 000 agents simultanément sur des investigations de 36 à 48 heures. L’entreprise utilise aussi Daybreak pour tester la sécurité des environnements où travaillent les agents.

L’une des premières applications de Third Moment touche la finance quantitative, où la réussite peut se mesurer clairement. Ce domaine offre un cadre concret pour étudier la façon dont les agents travaillent et les difficultés qu’ils rencontrent. L’équipe utilise Codex pour repérer et résoudre les problèmes dans l’environnement de recherche.

Dans un cas, elle a utilisé Codex avec GPT‑5.6, le modèle GPT le plus récent à l’époque, pour analyser des milliers de trajectoires de simulation enregistrées (les actions des agents et les réponses de l’environnement), ainsi que les horodatages et la base de code.

Codex a découvert un goulot d’étranglement : le test rétrospectif d’une stratégie de négociation sur une année de données d’actions américaines, à l’échelle des ordres, prenait plusieurs heures. En attendant, les agents vérifiaient sans cesse si le test était terminé, gaspillant des tokens et remplissant leur contexte de vérifications d’état.

Après avoir profilé le test rétrospectif et analysé ses entrées et son utilisation, Codex a trouvé une optimisation de la mise en cache et une technique de compactage de la mémoire. Il a expérimenté différentes solutions et déployé le correctif en production, ramenant la durée du test rétrospectif d’environ 3 heures à environ 3 à 5 minutes. Cela a réduit l’utilisation de tokens et la pollution du contexte, libérant une plus grande part du budget de tokens des agents pour d’autres expériences.

Third Moment fournit à chaque agent les outils, l’information et l’environnement nécessaires à une tâche précise. Pour la recherche quantitative, l’équipe exécute le harnais par défaut de Codex dans un environnement conteneurisé avec Docker. Les agents reçoivent un téraoctet de données, de la documentation et un dépôt de recherche comprenant des modules d’ingénierie des caractéristiques, d’entraînement de modèles sur GPU, de stratégies de négociation et de simulation.

GPT‑6 Astra, GPT‑6 Sol et GPT‑6.1 Sol assurent le raisonnement, tandis que le harnais de Codex donne aux agents des outils pour agir, créer des plans, fixer des objectifs, lancer des sous-agents et compacter le contexte au fil du travail.

Pour gérer les agents qui s’arrêtent avant d’avoir terminé une tâche, Third Moment traite Codex comme un sous-agent au sein d’un harnais externe propulsé par GPT‑6 Sol ou GPT‑6.1 Sol. Le harnais externe examine la trajectoire lorsqu’une tâche reste inachevée et détermine s’il faut réessayer, mettre fin au travail ou demander un examen humain.

Dans cet environnement de recherche, les agents s’efforcent d’améliorer un système de négociation de référence conçu par les ingénieurs de Third Moment. Ils testent des stratégies de négociation sur des données historiques, évaluent si une amélioration est significative ou relève du bruit, puis utilisent chaque résultat pour choisir l’expérience suivante. Selon Adam, leurs travaux ont amélioré le système de négociation de référence.

Avant GPT‑5.5, selon Adam, les modèles pouvaient seulement exécuter des expériences prescrites par l’utilisateur. Avec GPT‑5.5 et GPT‑5.6, les modèles utilisant le harnais de Codex pouvaient s’appuyer sur les résultats pour concevoir des expériences de suivi. Désormais, avec GPT‑6 Astra, GPT‑6 Sol et GPT‑6.1 Sol, les agents peuvent explorer les causes profondes au moyen de centaines d’expériences menées en parallèle avec des sous-agents.

Cette progression a aidé les agents à explorer des pistes de recherche que l’équipe n’avait pas envisagées. Au cours d’une session, GPT‑6.1 Sol a cerné l’incidence des transactions non affichées sur une bourse où elles représentaient une part du volume étonnamment importante. « Ce résultat n’avait rien d’évident et notre équipe de recherche ne l’avait pas envisagé au départ », explique Adam.

Third Moment évalue les modèles dans les domaines de l’optimisation, des systèmes d’apprentissage automatique et de la recherche quantitative. L’entreprise teste les nouvelles versions de pointe avec leurs paramètres de raisonnement les plus élevés, évaluant leur capacité à explorer des dépôts, à écrire du code efficace et à poursuivre une investigation. Les tests en cours portent aussi sur GPT‑6 Luna.

Un test de référence demande aux agents de réduire la latence de mise à jour d’un service d’affichage des scores en direct tout en préservant ses résultats. L’équipe mesure l’accélération en divisant le temps d’exécution moyen d’une solution conçue par des experts par celui de la solution du modèle sur le même matériel, à condition que les résultats soient corrects. GPT‑6 Astra a offert la plus forte accélération, selon Adam.

Pour les travaux ciblés, notamment la détection de failles de sécurité précises dans le système de simulation, l’équipe utilise des modèles plus efficients comme GPT‑5.6 Terra. Pour la recherche approfondie, Adam estime qu’un raisonnement plus poussé peut justifier un coût supérieur : « Dans le domaine de la finance quantitative, trouver un signal intéressant a une valeur extrêmement élevée. »

Avec 10 000 agents fonctionnant de façon autonome, Third Moment a besoin d’un moyen de tester à grande échelle la sécurité de ses environnements de recherche. L’équipe utilise la plateforme de cybersécurité Daybreak pour automatiser ces tests avant le lancement des simulations.

Les tests vérifient si un agent pourrait sortir de son environnement de recherche et accéder au reste du réseau. « Grâce à Daybreak, nous pouvons demander aux agents eux-mêmes d’effectuer des tests d’intrusion sur la simulation et d’en tester l’infrastructure et la sécurité », explique Adam.

L’ambition de Third Moment s’étend au travail spécialisé que les entreprises accomplissent chaque jour. Pour un détaillant, cela pourrait signifier de meilleures décisions liées à la chaîne d’approvisionnement lorsque les stocks sont bas ou qu’un fournisseur accuse un retard. Pour une équipe d’ingénierie, cela pourrait signifier repérer les goulots d’étranglement qui nuisent aux performances dans une vaste base de code. Pour une entreprise qui traite beaucoup de documents, cela pourrait signifier repérer les engagements d’un document qui ne correspondent pas aux résultats consignés dans un autre.

En s’appuyant sur les capacités de raisonnement de GPT‑6 Astra, GPT‑6 Sol et GPT‑6.1 Sol, Third Moment prévoit de passer d’investigations individuelles à des centaines de milliers de sous-agents qui collaborent. Sa feuille de route prévoit des billions de tokens pour soutenir des chaînes de dizaines d’expériences interdépendantes, afin d’utiliser ces recherches pour améliorer les agents de façon autonome à mesure que de nouveaux défis se présentent.

Pour Adam, cela donnerait aux gens une plus grande capacité à façonner la manière dont les agents apprennent et travaillent : « Les humains peuvent avoir un bien plus grand effet de levier, en réfléchissant à la façon de mener la recherche et d’optimiser la recherche elle-même plutôt qu’en l’effectuant directement. »