Third Moment Research 如何讓 10,000 個智慧體運作超過 36 小時
這家 AI 實驗室運用 GPT‑6 Astra、GPT‑6.1 Sol、Codex，以及網路安全平台 Daybreak，打造能專注工作數天、越用越進步的智慧體。
10,000
同時運行的智慧體數量
36–48
每次自主研究持續的小時數
97%
使用 Codex 後回測時間縮短的幅度
1
單日使用的 OpenAI Token 數（兆）
每家公司都有自己的工作流程、工具、特殊情況，以及衡量成功的標準。(在新視窗中開啟)Third Moment Research(在新視窗中開啟) 認為，最好的智慧體應該精通這些特定工作，並在使用過程中不斷提升能力。
Third Moment 正依循這個理念打造能自我改進的 AI 系統，運用 OpenAI 最新模型來理解智慧體的行為、找出反覆出現的弱點，並針對這些問題自動建立數千個合成情境。團隊利用這些情境改進智慧體，並在新問題出現時重複這個流程。
Codex、GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol 支援系統的研究與運算工作，讓 Third Moment 能同時運行 10,000 個智慧體，進行持續 36 至 48 小時的研究。Third Moment 也使用 Daybreak 測試智慧體工作環境的安全性。
「在單次工作階段中，即使運算持續數天，GPT-6.1 Sol 仍能保持研究思路連貫，持續進行計算研究而不偏離方向。」
量化金融具備明確的成效衡量標準，因此成為 Third Moment 早期的應用領域之一。這個領域提供了具體的情境，可用來研究智慧體如何運作，以及在哪些地方遇到困難。團隊使用 Codex 找出並解決研究環境中的問題。
有一次，團隊使用 Codex 搭配當時最新的 GPT 模型 GPT‑5.6，將數千筆模擬軌跡紀錄（智慧體的動作與環境的回應）連同時間戳記和程式碼庫一起分析。
Codex 找出了一個瓶頸：使用一整年的美股委託單層級資料來回測交易策略，需要花上數小時。等待期間，智慧體會反覆輪詢以確認是否完成，不僅浪費 Token，上下文也充斥著狀態查詢。
Codex 剖析回測效能，並分析回測的輸入與使用方式後，找出一項快取最佳化方法和一項記憶體緊密配置技術。接著試驗不同解決方案，並將修正部署至正式環境，把回測時間從約 3 小時縮短至約 3 至 5 分鐘。修正後，Token 用量與上下文污染均減少，讓智慧體能將更多 Token 預算用於後續實驗。
Third Moment 為每個智慧體提供執行特定工作所需的工具、資訊與環境。進行量化研究時，團隊會在 Docker 容器化環境中運行預設的 Codex 任務執行框架。智慧體會取得 1 TB 的資料、說明文件，以及一個研究程式碼庫，其中包含特徵工程、GPU 支援的模型訓練、交易策略與模擬等模組。
GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol 提供推理能力，而 Codex 任務執行框架則提供工具，讓智慧體能採取行動、擬定計畫、設定目標、建立子智慧體，並隨著工作進行壓縮上下文。
為了解決智慧體在任務完成前就停止的問題，Third Moment 將 Codex 作為子智慧體，置於由 GPT‑6 Sol 或 GPT‑6.1 Sol 驅動的外層任務執行框架中。任務未完成時，外層任務執行框架會檢視執行軌跡，決定要重試、終止工作，還是交由人工審查。
「Codex 任務執行框架的適用性極廣，能用於許多不同領域。」
在這個研究環境中，智慧體致力於改進 Third Moment 工程師建立的基準交易系統。透過歷史資料測試交易策略，評估改善是否具有實質意義，或只是雜訊，並根據每次結果選擇下一個實驗。Adam 表示，智慧體的工作已改善了基準交易系統。
Adam 表示，在 GPT‑5.5 之前，模型只能執行使用者指定的實驗。到了 GPT‑5.5 和 GPT‑5.6，模型搭配 Codex 任務執行框架後，已能根據結果設計後續實驗。如今，透過 GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol，智慧體能與子智慧體並行執行數百個實驗，探究根本原因。
這些進展幫助智慧體探索團隊未曾預想到的研究方向。在一次工作階段中，GPT‑6.1 Sol 發現了未公開顯示的交易對某個交易所的影響；在該交易所，這類交易占總交易量的比例出乎意料地高。Adam 表示：「這項結果並不容易察覺，我們的研究團隊一開始也沒有考慮到。」
Third Moment 從最佳化、機器學習系統與量化研究等面向評估模型。團隊以最高推理強度測試新推出的前沿模型，評估模型探索程式碼庫、撰寫高效率程式碼，以及持續進行研究的能力。目前的測試也涵蓋 GPT‑6 Luna。
「GPT-6.1 Sol 的 Token 使用效率很高，因此是我們目前最常用的模型。能以最少的 Token 完成任務，同時提供與 GPT-6 Astra 相近的表現。」
其中一項基準測試要求智慧體在維持輸出不變的前提下，降低即時計分板服務的更新延遲。團隊在確保結果正確、使用相同硬體的前提下，將專家設計解法的平均執行時間除以模型解法的平均執行時間，藉此衡量加速幅度。Adam 表示，GPT‑6 Astra 帶來的加速幅度最大。
對於目標明確的工作，例如檢查模擬系統中的特定安全弱點，團隊會使用 GPT‑5.6 Terra 等更高效率的模型。至於深度研究，Adam 認為，更強的推理能力值得付出更高成本：「在量化金融領域，找到某個值得關注的訊號，價值極高。」
有 10,000 個智慧體自主運行，Third Moment 需要一種能大規模測試研究環境安全性的方法。團隊使用 Daybreak 網路安全平台，在模擬啟動前自動執行這些測試。
這些測試會檢查智慧體是否可能突破研究環境的限制，存取更廣泛的網路。Adam 表示：「透過 Daybreak，我們能讓智慧體自行對模擬環境進行滲透測試，檢測其基礎設施與安全性。」
「沒有 Daybreak，我們就無法自主進行這種大規模測試。」
Third Moment 的目標也涵蓋企業每天進行的專業工作。對零售商而言，這可能是在庫存不足或供應商延遲交貨時，做出更好的供應鏈決策。對工程團隊而言，這可能是找出大型程式碼庫中的效能瓶頸。對需要處理大量文件的企業而言，這可能是比對某份文件中的承諾與另一份文件記錄的成果，找出不符之處。
Third Moment 計畫以 GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol 的推理能力為基礎，從個別研究擴展到數十萬個子智慧體的協作。依照發展路線圖，團隊將運用數兆個 Token，支援由數十個相互依賴的實驗串成的研究流程，目標是在新挑戰出現時，利用這些研究自主改進智慧體。
對 Adam 而言，這將讓人們更有餘裕規劃智慧體如何學習與工作：「人類能發揮更大的影響力，專注思考如何進行研究、最佳化研究本身，而不是親自執行研究。」
