థర్డ్ మొమెంట్: 36+ గంటలు పనిచేసే 10,000 ఏజెంట్లు

ప్రతి కంపెనీకీ సొంత పనివిధానాలు, సాధనాలు, అసాధారణ పరిస్థితులు, విజయానికి నిర్వచనాలు ఉంటాయి. ⁠(కొత్త విండోలో తెరుచుకుంటుంది)అత్యుత్తమ ఏజెంట్లు ఆయా నిర్దిష్ట పనుల్లో ఎంతో నైపుణ్యాన్ని చూపాలని, వాడకం పెరిగే కొద్దీ వాటి సామర్థ్యాలు మెరుగుపడాలని థర్డ్ మొమెంట్ రీసెర్చ్⁠(కొత్త విండోలో తెరుచుకుంటుంది) విశ్వసిస్తోంది.

ఈ ఆలోచన ఆధారంగా కంపెనీ తనను తాను మెరుగుపరుచుకునే ఏఐ వ్యవస్థను నిర్మిస్తోంది. ఏజెంట్ల ప్రవర్తనను అర్థం చేసుకోవడానికి, పదేపదే ఎదురయ్యే బలహీనతలను గుర్తించడానికి, ఆ సమస్యల ఆధారంగా వేలాది కృత్రిమ పరిస్థితులను స్వయంచాలకంగా సృష్టించడానికి OpenAI తాజా మోడల్‌లను ఉపయోగిస్తోంది. ఏజెంట్లను మెరుగుపరచడానికి బృందం ఆ పరిస్థితులను ఉపయోగిస్తుంది. కొత్త సమస్యలు తలెత్తినప్పుడల్లా ఈ ప్రక్రియను పునరావృతం చేస్తుంది.

Codex, GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Sol ఈ వ్యవస్థలో పరిశోధన, గణన పనులకు తోడ్పడతాయి. దీంతో థర్డ్ మొమెంట్ 36-48 గంటల పాటు సాగే పరిశోధనల్లో ఒకేసారి 10,000 ఏజెంట్లను నడపగలుగుతోంది. ఏజెంట్లు పనిచేసే పరిసరాల భద్రతను పరీక్షించడానికి కంపెనీ డేబ్రేక్‌ను కూడా ఉపయోగిస్తోంది.

విజయాన్ని కొలవడానికి స్పష్టమైన ప్రమాణం ఉన్నందున, థర్డ్ మొమెంట్ తొలుత దీన్ని అన్వయించిన రంగాల్లో పరిమాణాత్మక ఆర్థిక విశ్లేషణ ఒకటి. ఏజెంట్లు ఎలా పనిచేస్తాయి, ఎక్కడ ఇబ్బంది పడతాయి అన్నది అధ్యయనం చేయడానికి ఈ రంగం ఒక స్పష్టమైన వేదికను అందిస్తుంది. పరిశోధన పరిసరాల్లోని సమస్యలను గుర్తించి పరిష్కరించడానికి బృందం Codexను ఉపయోగిస్తుంది.

ఒక సందర్భంలో, అప్పటి తాజా GPT మోడల్ అయిన GPT‑5.6తో కలిపి Codexను ఉపయోగించింది. నమోదైన వేలాది అనుకరణల క్రమాలను (ఏజెంట్ల చర్యలు, పరిసరాల ప్రతిస్పందనలు), వాటి సమయ ముద్రలను, కోడ్ సమాహారాన్ని కలిపి విశ్లేషించింది.

Codex ఒక అడ్డంకిని గుర్తించింది: అమెరికా ఈక్విటీలకు చెందిన ఏడాది కాలపు ఆర్డర్-స్థాయి డేటాపై ఒక ట్రేడింగ్ వ్యూహాన్ని గత డేటాతో పరీక్షించడానికి గంటల సమయం పడుతోంది. వేచి ఉండే సమయంలో ఏజెంట్లు పని పూర్తయిందా అని పదేపదే తనిఖీ చేస్తున్నాయి. దీంతో టోకెన్లు వృథా కావడంతో పాటు వాటి సందర్భ సమాచారం స్థితి తనిఖీలతో నిండిపోతోంది.

ఈ గత-డేటా పరీక్షలో వనరుల వినియోగాన్ని కొలిచి, దాని ఇన్‌పుట్‌లను, వాడకాన్ని విశ్లేషించిన తర్వాత, Codex తాత్కాలిక నిల్వను మెరుగుపరిచే మార్గాన్ని, మెమరీలో డేటాను కుదించి అమర్చే పద్ధతిని గుర్తించింది. వివిధ పరిష్కారాలను ప్రయోగించి, సరైన పరిష్కారాన్ని వాస్తవ వినియోగ వ్యవస్థలో అమలు చేసింది. దీంతో గత-డేటా పరీక్ష సమయం సుమారు 3 గంటల నుంచి సుమారు 3 నుంచి 5 నిమిషాలకు తగ్గింది. దీనివల్ల టోకెన్ల వినియోగం, సందర్భ సమాచారంలో అనవసర వివరాలు తగ్గాయి. తదుపరి ప్రయోగాల కోసం ఏజెంట్లకు కేటాయించిన టోకెన్లలో ఎక్కువ భాగం అందుబాటులోకి వచ్చింది.

థర్డ్ మొమెంట్ ప్రతి ఏజెంట్‌కు నిర్దిష్ట పని కోసం అవసరమైన సాధనాలు, సమాచారం, పరిసరాలను అందిస్తుంది. పరిమాణాత్మక పరిశోధన కోసం, బృందం డాకర్‌తో రూపొందించిన పరిసరాల్లో డిఫాల్ట్ Codex హార్నెస్‌ను నడుపుతుంది. ఏజెంట్లకు ఒక టెరాబైట్ డేటా, వివరణ పత్రాలు, పరిశోధన రిపోజిటరీ లభిస్తాయి. ఆ రిపోజిటరీలో లక్షణాల రూపకల్పన, జీపీయూ సాయంతో మోడల్ శిక్షణ, ట్రేడింగ్ వ్యూహాలు, అనుకరణ కోసం మాడ్యూల్‌లు ఉంటాయి.

GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Sol రీజనింగ్‌ను అందిస్తాయి. పని కొనసాగుతున్నప్పుడు చర్యలు తీసుకోవడానికి, ప్రణాళికలు రూపొందించడానికి, లక్ష్యాలు పెట్టుకోవడానికి, ఉపఏజెంట్లను సృష్టించడానికి, సందర్భ సమాచారాన్ని సంక్షిప్తం చేయడానికి Codex హార్నెస్ ఏజెంట్లకు సాధనాలను అందిస్తుంది.

పని పూర్తికాకముందే ఆగిపోయే ఏజెంట్ల సమస్యను పరిష్కరించడానికి, థర్డ్ మొమెంట్ GPT‑6 Sol లేదా GPT‑6.1 Sol ఆధారంగా పనిచేసే బాహ్య హార్నెస్‌లో Codexను ఉపఏజెంట్‌గా ఉపయోగిస్తుంది. పని అసంపూర్తిగా మిగిలినప్పుడు, బాహ్య హార్నెస్ అప్పటివరకు జరిగిన చర్యల క్రమాన్ని పరిశీలిస్తుంది. మళ్లీ ప్రయత్నించాలా, పనిని ముగించాలా, లేదా మానవ సమీక్షకు పంపాలా అని నిర్ణయిస్తుంది.

ఆ పరిశోధన పరిసరాల్లో, థర్డ్ మొమెంట్ ఇంజినీర్లు నిర్మించిన ప్రాథమిక ట్రేడింగ్ వ్యవస్థను మెరుగుపరచడానికి ఏజెంట్లు పనిచేస్తాయి. అవి గత డేటాపై ట్రేడింగ్ వ్యూహాలను పరీక్షిస్తాయి. కనిపించిన మెరుగుదల నిజంగా అర్థవంతమైనదా లేక యాదృచ్ఛిక హెచ్చుతగ్గుల ఫలితమా అని అంచనా వేసి, ప్రతి ఫలితాన్ని ఆధారంగా తదుపరి ప్రయోగాన్ని ఎంచుకుంటాయి. వాటి పని వల్ల ప్రాథమిక ట్రేడింగ్ వ్యవస్థ మెరుగుపడిందని ఆడమ్ చెబుతున్నారు.

GPT‑5.5కు ముందు, వినియోగదారు నిర్దేశించిన ప్రయోగాలను మాత్రమే మోడల్‌లు చేయగలిగేవని ఆడమ్ చెబుతున్నారు. GPT‑5.5, GPT‑5.6తో, Codex హార్నెస్‌లో పనిచేసే మోడల్‌లు ఫలితాల ఆధారంగా తదుపరి ప్రయోగాలను రూపొందించగలిగాయి. ఇప్పుడు GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Solతో, ఉపఏజెంట్ల సాయంతో వందలాది ప్రయోగాలను సమాంతరంగా నడుపుతూ ఏజెంట్లు మూలకారణాలను అన్వేషించగలవు.

ఈ పురోగతి వల్ల బృందం ఊహించని పరిశోధన మార్గాలను ఏజెంట్లు అన్వేషించగలిగాయి. ఒక సెషన్‌లో, ఒక ఎక్స్ఛేంజ్‌లో బహిరంగంగా ప్రదర్శించని లావాదేవీల ప్రభావాన్ని GPT‑6.1 Sol గుర్తించింది. అక్కడ మొత్తం లావాదేవీల పరిమాణంలో వాటి వాటా ఊహించిన దానికంటే చాలా ఎక్కువగా ఉంది. “ఇది సులభంగా ఊహించలేని ఫలితం. మా పరిశోధన బృందం మొదట్లో దీన్ని పరిగణనలోకి తీసుకోలేదు,” అని ఆడమ్ అంటున్నారు.

థర్డ్ మొమెంట్ మోడల్‌లను ఆప్టిమైజేషన్, యంత్ర అభ్యసన వ్యవస్థలు, పరిమాణాత్మక పరిశోధనల్లో మూల్యాంకనం చేస్తుంది. అత్యాధునిక విడుదలలను గరిష్ఠ రీజనింగ్ సెట్టింగ్‌లతో పరీక్షిస్తుంది. రిపోజిటరీలను పరిశీలించడం, సమర్థమైన కోడ్ రాయడం, పరిశోధనను కొనసాగించడంలో వాటి సామర్థ్యాన్ని అంచనా వేస్తుంది. ప్రస్తుతం జరుగుతున్న పరీక్షల్లో GPT‑6 Luna కూడా ఉంది.

ఒక ప్రమాణ పరీక్షలో, ప్రత్యక్ష స్కోర్‌బోర్డ్ సేవ అందించే ఫలితాలను మార్చకుండా, దాని నవీకరణలో ఆలస్యాన్ని తగ్గించమని ఏజెంట్లను అడుగుతారు. ఫలితాలు సరిగ్గా ఉన్నాయని నిర్ధారించుకున్న తర్వాత, ఒకే హార్డ్‌వేర్‌పై నిపుణుడు రూపొందించిన పరిష్కారపు సగటు అమలు సమయాన్ని మోడల్ పరిష్కారపు సగటు అమలు సమయంతో భాగించి, వేగం ఎంత పెరిగిందో బృందం కొలుస్తుంది. ఆడమ్ ప్రకారం, GPT‑6 Astra వేగంలో అత్యధిక పెరుగుదలను సాధించింది.

అనుకరణ వ్యవస్థలో నిర్దిష్ట భద్రతా బలహీనతలను తనిఖీ చేయడం వంటి లక్ష్యిత పనుల కోసం, బృందం GPT‑5.6 Terra వంటి మరింత వనరుల-సమర్థ మోడల్‌లను ఉపయోగిస్తుంది. డీప్ రీసెర్చ్‌లో మెరుగైన రీజనింగ్ కోసం ఎక్కువ ఖర్చు చేయడం సమంజసమేనని ఆడమ్ భావిస్తున్నారు: “పరిమాణాత్మక ఆర్థిక విశ్లేషణలో ఆసక్తికరమైన సంకేతాన్ని కనుగొనడం ఎంతో విలువైనది.”

10,000 ఏజెంట్లు స్వయంచాలకంగా పనిచేస్తున్నందున, థర్డ్ మొమెంట్‌కు తన పరిశోధన పరిసరాల భద్రతను పెద్ద స్థాయిలో పరీక్షించే మార్గం అవసరం. అనుకరణలు ప్రారంభమయ్యే ముందే ఆ పరీక్షలను స్వయంచాలకంగా నిర్వహించడానికి బృందం డేబ్రేక్ సైబర్ భద్రతా వేదికను ఉపయోగిస్తుంది.

ఒక ఏజెంట్ తన పరిశోధన పరిసరాల పరిమితులను దాటి విస్తృత నెట్‌వర్క్‌ను యాక్సెస్ చేయగలదా అన్నది ఈ పరీక్షలు తనిఖీ చేస్తాయి. “డేబ్రేక్‌ను ఉపయోగించడం వల్ల, అనుకరణపై చొరబాటు పరీక్షలను ఏజెంట్లతోనే చేయించి, దాని మౌలిక సదుపాయాలను, భద్రతను పరీక్షించగలుగుతున్నాం,” అని ఆడమ్ చెబుతున్నారు.

కంపెనీలు ప్రతిరోజూ చేసే ప్రత్యేక నైపుణ్యం అవసరమైన పనుల వరకు విస్తరించాలన్నది థర్డ్ మొమెంట్ ఆకాంక్ష. చిల్లర వ్యాపారికి, నిల్వలు తక్కువగా ఉన్నప్పుడు లేదా సరఫరాదారు ఆలస్యం చేసినప్పుడు సరఫరా గొలుసుకు సంబంధించి మెరుగైన నిర్ణయాలు తీసుకోవడం దీని ప్రయోజనం కావచ్చు. ఇంజినీరింగ్ బృందానికి, పెద్ద కోడ్ సమాహారంలో పనితీరుకు అడ్డంకులను గుర్తించడం కావచ్చు. పత్రాల వినియోగం ఎక్కువగా ఉండే వ్యాపారానికి, ఒక పత్రంలో ఇచ్చిన హామీలు మరో పత్రంలో నమోదైన ఫలితాలతో ఎక్కడ సరిపోలడం లేదో గుర్తించడం కావచ్చు.

GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Sol రీజనింగ్ సామర్థ్యాల ఆధారంగా, థర్డ్ మొమెంట్ విడివిడిగా చేసే పరిశోధనల నుంచి కలిసి పనిచేసే లక్షలాది ఉపఏజెంట్ల స్థాయికి విస్తరించాలని యోచిస్తోంది. దాని ప్రణాళికలో ఒకదానిపై మరొకటి ఆధారపడే డజన్ల కొద్దీ ప్రయోగాల శ్రేణులకు ట్రిలియన్ల టోకెన్లను వినియోగించనుంది. కొత్త సవాళ్లు తలెత్తినప్పుడు ఆ పరిశోధన సాయంతో ఏజెంట్లను స్వయంచాలకంగా మెరుగుపరచడం దీని లక్ష్యం.

ఏజెంట్లు ఎలా నేర్చుకోవాలి, ఎలా పనిచేయాలి అన్నది తీర్చిదిద్దడంలో ఇది మనుషుల సామర్థ్యాన్ని పెంచుతుందని ఆడమ్ భావిస్తున్నారు: “మనుషులు స్వయంగా పరిశోధన చేయడానికి బదులు, దాన్ని ఎలా చేయాలి, పరిశోధనా ప్రక్రియనే ఎలా మెరుగుపరచాలి అని ఆలోచించవచ్చు. అలా వారి కృషి మరింత ప్రభావవంతంగా మారుతుంది.”