OpenAI发布Third Moment Research智能体运用案例

OpenAI于10月14日发布了AI研究机构Third Moment Research的智能体运用案例。这家初创公司利用OpenAI模型同时运行1万个智能体，单个智能体可在无人干预的情况下执行持续36至48小时的研究会话。据OpenAI介绍，Third Moment单日使用了1万亿个OpenAI token，并借助Codex将回测时间缩短了97%。

Third Moment的前提是，好的智能体应当擅长特定公司的特定工作，并且越用越强。公司把这一理念做成了自我改进的AI系统：用OpenAI最新模型分析智能体行为、找出反复出现的弱点，再自动生成数千个针对这些弱点的合成场景来重新训练智能体。出现新问题时，这一循环便再次进行。研究与计算由Codex、GPT-6 Astra、GPT-6 Sol和GPT-6.1 Sol承担，智能体工作环境的安全检查则交给网络安全平台Daybreak。

首个应用领域是量化金融。由于业绩可以用收益率清楚衡量，这里是观察智能体在哪里卡住的好场景。瓶颈是Codex找到的。搭载当时最新模型GPT-5.6的Codex，结合时间戳和代码库，分析了数千条记录智能体行动与环境响应的模拟轨迹。用一年的美国股票逐笔订单数据回测一个交易策略需要数小时，其间智能体不断轮询是否完成，既浪费token，又让上下文塞满状态检查记录。Codex对回测做了性能剖析，找到缓存优化和内存打包技术，试验解决方案后直接部署到生产环境。回测时间从约3小时降到3至5分钟，省下的token预算转投到更多实验中。

智能体的工作环境按任务分别搭建。在量化研究中，默认的Codex harness运行在Docker容器内，智能体获得1TB的数据、文档，以及包含特征工程、GPU模型训练、交易策略和模拟模块的研究代码库。推理由GPT-6系列模型负责，Codex harness则提供制定计划、设定目标、生成子智能体和压缩上下文等工具。为防止智能体中途停下，Third Moment把Codex作为子智能体，外面再套一层由GPT-6 Sol或GPT-6.1 Sol驱动的外层harness。任务未完成时，外层harness会检查轨迹，决定重试、终止任务还是转交人工审核。联合创始人Adam Khakhar表示：“Codex harness极其通用，可以用于许多不同领域。”

每次模型换代，智能体承担的工作层级都随之上升。据Khakhar介绍，GPT-5.5之前的模型只能执行用户指定的实验；从GPT-5.5和GPT-5.6开始，模型能根据结果自行设计后续实验；如今则能通过子智能体并行运行数百个实验来追查根本原因。在一次会话中，GPT-6.1 Sol发现某交易所的非显示成交占成交量的比例出人意料地高，并找出了其影响。Khakhar说：“这是我们研究团队起初没有考虑到的、并不显而易见的结果。”他还表示：“在单次会话中，GPT-6.1 Sol能在跨越数天的计算中保持连贯的研究主线而不跑偏。”

模型选择是成本与效率的权衡。Third Moment在优化、机器学习系统和量化研究三个领域以最高推理设置评估前沿模型，目前也在测试GPT-6 Luna。联合创始人Jeffrey Yan表示：“凭借token效率，GPT-6.1 Sol是我们目前使用最多的模型。它用最少的token完成任务，性能与GPT-6 Astra相近。”据Khakhar介绍，在一个要求在保持输出不变的前提下降低实时计分板服务更新延迟的基准测试中，GPT-6 Astra带来了最大的加速。加速比的计算方法是在同一硬件上用专家方案的平均运行时间除以模型方案的运行时间，且只有结果正确时才计入。对于检查模拟系统特定安全漏洞这类范围较窄的工作，团队使用GPT-5.6 Terra等高效模型。谈到为何在深度研究上使用昂贵模型，Khakhar解释说：“在量化金融领域，找到一个有意思的信号价值极高。”

当1万个智能体自主运转时，隔离成为运营的前提。Third Moment在启动模拟之前用Daybreak自动化安全测试，检查智能体能否突破研究环境、接触更广的网络。Khakhar表示：“借助Daybreak，我们可以让智能体自己对模拟环境进行渗透测试，检验其基础设施和安全性。”他还说：“没有Daybreak，我们无法在这种规模上进行自主测试。”这相当于让其他智能体扮演攻击者，去测试一支以人类无法监督的速度和规模运转的智能体大军。

METAL此前报道过OpenAI发布GPT-6.1 Sol，而在本案例中，该模型已成为客户研究现场的主力模型。METAL查阅的OpenAI案例原文同时列出了四组数字：同时运行1万个智能体、每次会话36至48小时、回测时间缩短97%、单日1万亿个token。

下一步是扩大规模。Third Moment计划从单个调查扩展到数十万个协作子智能体，路线图是用数万亿个token串联数十个相互依赖的实验。应用范围也将走出金融。公司举的例子包括：在库存短缺或供应商延误时做供应链决策的零售商、在大型代码库中寻找性能瓶颈的工程团队，以及需要找出一份文件中的承诺与另一份文件记录的结果不一致之处的文件密集型企业。Khakhar表示：“人类可以站在杠杆大得多的位置上，思考如何做研究、优化研究本身，而不是亲自去做研究。”从智能体工程的角度看，这个案例的核心与其说是模型性能，不如说是harness设计。监督停滞智能体的外层harness、发现并修复浪费的Codex、阻止逃逸的Daybreak层层支撑，1万个智能体才能连续两天持续研究。