Third Moment Research 如何让 10,000 个智能体持续运行 36 小时以上

每家公司都有自己的工作流程、工具、边缘情况和成功标准。 ⁠（在新窗口中打开）Third Moment Research⁠（在新窗口中打开） 认为，最好的智能体应当精通这些具体工作，并且用得越多，能力越强。

围绕这一理念，该公司正在构建一套能够自我改进的 AI 系统，利用 OpenAI 的最新模型来理解智能体行为，找出反复出现的薄弱环节，并针对这些问题自动生成数千个合成场景。团队利用这些场景改进智能体，并在新问题出现时重复这一过程。

Codex、GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol 为系统的研究与计算工作提供支持，让 Third Moment 能够同时运行 10,000 个智能体，开展持续 36–48 小时的研究。该公司还使用 Daybreak 测试智能体工作环境的安全性。

量化金融领域有明确的成功衡量标准，因此成为 Third Moment 早期应用方向之一。这一领域提供了具体的场景，便于研究智能体如何工作、在哪些环节遇到困难。团队使用 Codex 查找并解决研究环境中的问题。

有一次，团队将 Codex 与当时最新的 GPT 模型 GPT‑5.6 结合使用，分析了数千条已记录的仿真轨迹（智能体的操作及环境的响应），以及相应的时间戳和代码库。

Codex 发现了一个瓶颈：用一整年的美股订单级数据回测交易策略，需要数小时。等待期间，智能体不断轮询任务是否完成，不仅浪费 Token，还让状态检查记录占满了上下文。

在对回测进行性能剖析，并分析其输入和使用方式后，Codex 找到了一项缓存优化方案和一种内存紧凑存储技术。它试验了解决方案，并将修复部署到生产环境，把回测时间从约 3 小时缩短至约 3–5 分钟。这减少了 Token 消耗和上下文污染，为智能体腾出了更多 Token 预算，用于后续实验。

Third Moment 为每个智能体配备完成特定工作所需的工具、信息和环境。在量化研究中，团队在 Docker 容器化环境内运行默认的 Codex 执行框架。智能体获得 1 TB 的数据、文档，以及一个研究代码仓库，其中包含特征工程、GPU 支持的模型训练、交易策略和仿真模块。

GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol 提供推理能力，Codex 执行框架则为智能体提供工具，使其能够执行操作、制定计划、设定目标、创建子智能体，并随着工作推进压缩上下文。

为解决智能体在完成任务前就停止工作的问题，Third Moment 将 Codex 作为子智能体，置于由 GPT‑6 Sol 或 GPT‑6.1 Sol 驱动的外层执行框架中。当任务未完成时，外层执行框架会检查执行轨迹，决定是重试、终止任务，还是转交人工审核。

在这一研究环境中，智能体致力于改进由 Third Moment 工程师构建的基准交易系统。它们用历史数据测试交易策略，评估改进是真正有效还是仅由噪声造成，并根据每次结果选择下一项实验。据 Adam 介绍，它们的工作已经改善了基准交易系统。

Adam 表示，在 GPT‑5.5 之前，模型只能执行用户指定的实验。到了 GPT‑5.5 和 GPT‑5.6，模型配合 Codex 执行框架，已经能根据结果设计后续实验。如今，借助 GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol，智能体可以通过子智能体并行开展数百项实验，探究根本原因。

这一进步帮助智能体探索了团队未曾预想到的研究方向。在一次会话中，GPT‑6.1 Sol 识别出了某交易所非公开显示交易的影响；这类交易占该交易所成交量的比例之高，出乎意料。“这是一个并不显而易见的结果，我们的研究团队起初并未考虑到这一点。”Adam 说。

Third Moment 从优化、机器学习系统和量化研究等方面评估模型。团队以最高推理设置测试新发布的前沿模型，评估它们理解和查阅代码仓库、编写高效代码以及持续开展研究的能力。目前的测试也包括 GPT‑6 Luna。

其中一项基准测试要求智能体在保持输出不变的前提下，降低实时记分板服务的更新延迟。在确保结果正确的前提下，团队将专家编写的方案与模型方案在相同硬件上的平均运行时间相除，以此衡量加速比。据 Adam 介绍，GPT‑6 Astra 实现的加速幅度最大。

对于针对性任务，例如检查仿真系统中的特定安全弱点，团队使用 GPT‑5.6 Terra 等效率更高的模型。对于深度研究，Adam 认为更强的推理能力值得付出更高成本：“在量化金融领域，找到某个值得关注的信号，其价值极高。”

有 10,000 个智能体自主运行，Third Moment 需要一种能够大规模测试研究环境安全性的方法。团队使用 Daybreak 网络安全平台，在仿真启动前自动完成这些测试。

这些测试检查智能体是否可能突破研究环境的隔离限制，访问更广泛的网络。“使用 Daybreak，我们能够让智能体自行对仿真环境开展渗透测试，检验其基础设施和安全性。”Adam 说。

Third Moment 的愿景还延伸到了企业日常开展的专业工作。对零售商而言，这可能意味着在库存短缺或供应商延迟交货时，做出更好的供应链决策。对工程团队而言，这可能意味着找出大型代码库中的性能瓶颈。对需要处理大量文档的企业而言，这可能意味着找出一份文档中的承诺与另一份文档所记录的结果之间不一致的地方。

依托 GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol 的推理能力，Third Moment 计划从单个研究任务扩展到数十万个子智能体的协同研究。其路线图规划使用数万亿 Token，支持由数十项相互依赖的实验串联而成的研究流程，目标是在新挑战出现时，利用这些研究自主改进智能体。

在 Adam 看来，这将让人们更有能力塑造智能体的学习和工作方式：“人类可以发挥更大的作用，将精力用于思考如何开展研究、优化研究本身，而不必亲自执行研究。”