OpenAI披露了一项面向长程任务的大规模 Agent 实测：10,000 个 Agent 同时运行，连续工作 36 至 48 小时，每天消耗 1 万亿 Token。按文中说法，单轮任务的工作量相当于人类工程师 41 年。
把这批 Agent 放进真实环境跑两天两夜的是横跨旧金山和纽约的初创公司 Third Moment Research。公司选择量化金融作为第一块试验场，原因是这类任务的结果可以通过历史回测直接检验：策略究竟赚到钱，还是只是在拟合噪音，账面结果可以直接反映。
Agent 在等待中丢失上下文，随后自行改写底层代码
Third Moment 在 Docker 隔离容器中预装了 1TB 历史行情数据、技术文档和完整量化代码库。起初，团队让 Codex 配合 GPT-5.6 检查数千条运行轨迹和时间戳，结果发现，用 1 年美股逐笔订单数据回测一个策略，每次需要等待 3 小时。
对长程 Agent 来说，上下文窗口是关键资源。系统在漫长等待中会反复轮询「是否跑完」，这些状态检查同样占用上下文，前面真正有用的实验记录会被不断挤压，任务也更容易偏离原本目标。
在识别出这一瓶颈后，Codex没有等待人工排期，而是沿着代码库继续排查，找到了两处底层问题。它随后编写缓存优化和内存紧凑打包方案，测试通过后直接推到生产环境，把单次回测耗时从 3 小时压缩到 3 至 5 分钟，同时保住了更干净的上下文窗口。
不同代际模型在长程任务上的分层开始显现
回测速度提升后，OpenAI几代模型在长程任务中的差异变得更清晰。
- GPT-5.5 之前的模型，主要按人类预设脚本逐步执行。
- GPT-5.5 与 GPT-5.6 搭配 Codex 后，已经可以根据初步结果自行设计下一轮实验。
- GPT-6 Astra、GPT-6 Sol 和 GPT-6.1 Sol 则支持主 Agent 在发现异常信号后，立即拉起成百上千个子 Agent 并行运行对照实验。
在一次真实回测中，GPT-6.1 Sol 顺着数据继续追查，发现某家交易所的非公开展示交易占到了较高成交比例。它进一步测算了这部分「暗池」流动性对策略收益的影响，而这一方向此前并不在人类量化团队的关注范围内。
外层监管模型专门处理卡住、绕圈和提前交卷
Third Moment提到，长程 Agent 常见的失败方式主要有两种：一种是任务做到一半便认为「差不多了」而提前结束，另一种是在死胡同里持续打转。内层 Agent 一旦停下，往往已经被此前积累的上下文束缚，单靠自我反思难以跳出循环。
为此，Third Moment 将容器内执行任务的 Codex 视为被监管的子模块，在容器外再套一层由 GPT-6 Sol 或 GPT-6.1 Sol 驱动的监管模型。只要内层 Codex 停下来，外层模型就会从更高视角检查整条运行轨迹，判断问题究竟来自环境 Bug、错误路径，还是需要人工拍板的决策点，然后立即决定是退回重试、终止任务，还是上报人类。
这种设计减少了人类研究员对上万个终端的逐一盯守，人工只需处理外层模型筛出的少数复杂问题。
为支撑万级并发，团队把 GPT-6.1 Sol 放到主力位置
要同时运行 10,000 个 Agent，仅有双层架构还不够，Token 成本和长程稳定性同样是核心约束。Third Moment因此将几天前刚发布的 GPT-6.1 Sol 设为主力模型。按照文中说法，这一模型的定价只有旗舰 GPT-6 Astra 的五分之一，能以更少的 Token 完成任务，同时给出接近 Astra 的性能。
在单次任务里，节省的 Token 可能并不显眼，但乘以万级并发和连续数十小时的运行后，成本差异会直接决定同样预算还能多跑几轮实验。文中同时提到，GPT-6.1 Sol 在单次会话中可以连续几天维持同一条研究主线，不容易在长程任务中丢失方向。
至于推理能力最强的 GPT-6 Astra，团队将其保留给更困难的工程优化问题，例如在不改变输出结果的情况下压低实时计分板服务的更新延迟，并在同款硬件上与人类专家手写方案比较性能。
系统通过四步循环持续迭代
除了双层监管外，整套系统还通过一个四步循环不断改进：
- 采集轨迹：记录上万个 Agent 在沙箱中的完整运行步骤和报错。
- 聚类诊断：由轻量模型 GPT-6 Luna 构建相似度矩阵，对重复出现的报错进行归类。
- 合成沙箱：由 GPT-6.1 Sol 围绕薄弱环节自动生成数千个合成仿真环境。
- 升级脚手架：让 Codex 在仿真环境中反复测试，自动迭代工具与编排逻辑。
Third Moment 联合创始人 Adam Khakhar 说：「每一次循环都会造出一个比出发时更强的系统。系统会自己找出败在哪里，围绕这些失败构建定向仿真，并为下一轮运行升级脚手架。」
沙箱安全依赖 Daybreak 与 GPT-5.6 Terra
当上万个拥有写代码权限的 Agent 连续运行两天两夜时，另一个问题是如何确保它们始终被限制在沙箱中，不能通过脚本突破隔离环境。
Third Moment 接入了 OpenAI 的网络安全模型 Daybreak 与 GPT-5.6 Terra。按照 OpenAI 的划分，Daybreak 包括防守端的 Daybreak Blue，以及面向授权渗透测试、需要单独审批并绑定硬件安全密钥的 Daybreak Red。
每次启动大规模仿真前，Third Moment 都会先用 Daybreak 驱动红队 Agent，对自家沙箱进行自动化渗透测试，再配合 GPT-5.6 Terra 排查漏洞，确认没有 Agent 能逃出隔离环境。
Third Moment 把目标锁定在量化金融和网络安全
Adam Khakhar 本科毕业于宾夕法尼亚大学，之后在纽约大学攻读博士，研究方向是深度学习理论与信息论。在创办 Third Moment 之前，他与搭档创办过一家只有 2 人的 AI 公司 FlashDocs。文中称，这家公司每天自动生成上万张企业幻灯片，并在 2025 年 7 月被华尔街 AI 独角兽 Hebbia 收购。
第二次创业时，他用概率论中的「三阶矩」为公司命名。文中对这个名字做了三层解释：
- 一阶矩，即均值，对应常见评测榜单上的平均分。
- 二阶矩，即方差，用于衡量结果波动和噪音，若提升小于噪音，就不算真实改进。
- 三阶矩，即偏度与尾部，用于衡量那些被平均分掩盖、却会在真实业务中造成严重后果的罕见故障。
他们把这套自进化循环封装成推理接口，开发者只需在 OpenAI SDK 中改一行请求地址，后台的轨迹诊断和沙箱仿真就会自动运行。
对于为何先切入量化金融和网络安全，Adam 在今年 9 月的文章《无限算力》中写道，多数白领工作都存在价格上限，也就是人类员工的薪水；而投资管理和网络安全这两个零和博弈领域没有同样的价格天花板。文中举例称，如果市场中藏着一个价值 4000 万美元的交易信号，即便为此消耗 3900 万美元算力，只要比竞争对手早 1 秒算出来，依然能净赚 100 万美元；在网络安全领域，如果能比黑客早 1 秒发现零日漏洞，就可能避免十亿美元级别的损失。
下一步是数十万个协同子 Agent
在跑通量化和网络安全场景后，Third Moment 正把这套体系扩展到更多领域，包括零售供应链动态重排、大型代码库性能排查，以及海量商业文档的交叉核对。
OpenAI在博客末尾表示，下一步准备把并发规模推向数十万个协同工作的子 Agent 集群，并用数万亿 Token 串联几十个连续实验。
文中写道，当单次任务就能消耗 36 万个 Agent 工时时，传统软件按席位收费的模式已经失去意义；大模型之间的竞争，也不再只是模型权重本身，还包括谁能约束十万个 Agent 不跑偏、不越界，并在失败中自动迭代。
Adam Khakhar表示：「人类可以站到杠杆大得多的位置上，去想怎么做研究、怎么优化研究本身，而不用亲自去做研究。」
参考资料显示，相关信息来自 OpenAI 发布的 Third Moment Research 博客文章。本文来自微信公众号「新智元」，作者为 ASI启示录，编辑为摩西。