← 返回全部情报

·Blog·案例研究收录 2026-10-15

Third Moment Research 并发跑 1 万 agent、单次自治研究 36–48 小时:Codex 把回测从约 3 小时压到约 3–5 分钟,外层 harness 负责重试/终止/升级

Third MomentCodex一万 agentGPT-6.1 SolDaybreak

一句话结论

量化研究实验室 Third Moment 用 GPT-6 Astra/Sol/6.1 Sol 与 Codex,在 Docker 化环境里并发跑 1 万 agent、单次研究持续 36–48 小时;Codex 把年级别回测从约 3 小时降到约 3–5 分钟,外层 harness 在任务未完成时决定重试、终止或升级给人,并用 Daybreak 在仿真上线前做渗透测试。

打开原文 OpenAI:How Third Moment Research runs 10,000 agents for 36+ hours

背景与理念

Third Moment 认为最好的 agent 应该擅长某家公司自己的工作流、工具、边界情况与成功标准,并且越用越强。他们围绕这一想法搭建可自我改进的系统:用最新模型理解 agent 行为、找反复出现的弱点,并自动生成成千上万围绕这些问题的合成场景,再拿场景改进 agent,循环下去。量化金融被选作早期应用,因为成功标准清楚,便于研究 agent 在哪里卡住。

具体做法

  1. 规模与会话长度。系统支撑并发 10,000 个 agent,单次自治研究会话持续 36–48 小时;文中还给出单日 1 万亿 OpenAI token 的用量量级。
  2. Codex 治理回测瓶颈。用当时最新的 GPT‑5.6 与 Codex 分析数千条仿真轨迹、时间戳与代码库,发现按年回测美股订单级数据要数小时,等待期间 agent 反复轮询、浪费 token 并污染上下文。Codex 做完剖析后找到缓存优化与内存打包,试验并上线,把回测从约 3 小时降到约 3–5 分钟(约 97% 降幅)。
  3. Docker 化研究环境 + Codex harness。每个 agent 拿到工具、信息与环境;量化场景里在 Docker 中跑默认 Codex harness,并提供 TB 级数据、文档,以及特征工程、GPU 训练、交易策略与仿真等模块仓库。推理由 GPT‑6 Astra、GPT‑6 Sol、GPT‑6.1 Sol 提供,harness 负责行动、计划、目标、拉起子 agent 与压缩上下文。
  4. 外层 harness 把 Codex 当子 agent。由 GPT‑6 Sol 或 GPT‑6.1 Sol 驱动的外层在任务未完成时检查轨迹,决定重试、终止或升级到人工;用来对付「做到一半就停」的 agent。
  5. 安全用 Daybreak。在仿真启动前,用 Daybreak 网络安全平台自动化测试研究环境,检查 agent 是否可能逃逸并接触更广网络;Adam 称没有 Daybreak 就无法按这个规模自治测试。

关键数据/例子

并发 10,000 agent;单次会话 36–48 小时;回测约 3 小时 → 约 3–5 分钟(约 97%);单日 1 万亿 OpenAI token。Adam Khakhar:「In a single session, GPT-6.1 Sol is able to maintain a coherent thread of computational research across days of compute without losing the plot。」Jeffrey Yan:「GPT-6.1 Sol is currently our most-used model given its token efficiency. It completes tasks with the fewest tokens while delivering performance similar to GPT-6 Astra。」一次会话里,GPT‑6.1 Sol 还发现某交易所非展示成交占比出乎意料地高,这是研究团队起初没想到的方向。基准上,让 agent 在保持输出正确的前提下降低实时记分牌更新延迟,按「专家方案平均耗时 / 模型方案平均耗时」衡量时,Adam 称 GPT‑6 Astra 给出最大加速。

创新点

第一,用「外层 harness 监督 Codex 子 agent」处理未完成轨迹,把重试/终止/人工升级写成运行机制。第二,把回测这类环境瓶颈当成一等公民:先减等待与轮询,再谈更长研究。第三,在万级并发前用 Daybreak 做环境渗透测试,把安全测试本身也 agent 化。

可否复用

  1. 先选成功标准清晰的领域(回测 PnL、延迟、正确性),再扩大到开放式研究。
  2. 给每个 agent 固定「数据 + 文档 + 模块仓 + Docker harness」,并监控轮询与上下文污染。
  3. 加一层外层监督:任务未完成时只允许重试、终止或升级,不要无限空转。
  4. 大规模并发前,用自动化渗透测试检查逃逸与网络面;模型选型上可用更省 token 的 Sol 档做主力,把更贵的 Astra 留给最难加速题。

笔记会在输入时自动保存。