每家公司都有自己的工作流程、工具、边缘情况和成功定义。（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该非常擅长那项特定的工作，并且使用得越多，能力就应该越强。
该公司正围绕这一理念构建一个自我改进的 AI 系统，使用 OpenAI 的最新模型来理解智能体行为、识别反复出现的弱点，并围绕这些问题自动创建数千个合成场景。团队利用这些场景来改进智能体，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 支持该系统的研究和计算工作，使 Third Moment 能够同时运行 10,000 个智能体，进行持续 36-48 小时的调查。该公司还使用 Daybreak 来测试智能体工作环境的安全性。
“在单次会话中，GPT-6.1 Sol 能够在数天的计算过程中保持一条连贯的计算研究思路，而不会偏离主线。”
——Adam Khakhar，Third Moment Research 联合创始人
使用 Codex 减少运行时间和 token 浪费
Third Moment 的早期应用之一是在量化金融领域，因为该领域的成功衡量标准很明确。这一领域为研究智能体如何工作以及在哪里遇到困难提供了一个具体的场景。团队使用 Codex 来发现并解决研究环境中的问题。
在一个实例中，它使用 Codex 搭配 GPT‑5.6（当时最新的 GPT 模型），来分析数千条记录的模拟轨迹（智能体的动作和环境的响应）以及时间戳和代码库。
Codex 发现了一个瓶颈：在一年订单级别的美国股票数据上回测一个交易策略需要数小时。在等待期间，智能体反复轮询完成状态，浪费了 token，并让状态检查填满了它们的上下文。
在对回测进行性能分析并分析其输入和使用情况后，Codex 识别出一项缓存优化和一种内存打包技术。它试验了多种解决方案并将修复部署到生产环境，将回测时间从约 3 小时缩短到约 3 至 5 分钟。这减少了 token 使用和上下文污染，为智能体释放出更多 token 预算用于进一步实验。
用 Codex 和 GPT‑6 让智能体保持专注
Third Moment 为每个智能体提供完成特定工作所需的工具、信息和环境。对于量化研究，团队在 Docker 化环境中运行默认的 Codex harness。智能体获得 1 TB 的数据、文档，以及一个包含特征工程、GPU 支持的模型训练、交易策略和模拟模块的研究代码库。
GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol 提供推理能力，而 Codex harness 为智能体提供工具，使其能够行动、制定计划、设定目标、生成子智能体，并在工作推进过程中压缩上下文。
为解决智能体在完成任务前就停止的问题，Third Moment 将 Codex 视为由 GPT‑6 Sol 或 GPT‑6.1 Sol 驱动的外层 harness 中的一个子智能体。当任务未完成时，外层 harness 会检查其轨迹，并决定是重试、终止任务，还是升级至人工审核。
“Codex harness 极其通用，使其能够应用于许多不同领域。”
——Adam Khakhar，Third Moment Research 联合创始人
在该研究环境中，智能体致力于改进 Third Moment 工程师构建的基线交易系统。它们在历史数据上测试交易策略，评估某项改进是有意义的还是噪声，并利用每次结果来选择下一个实验。据 Adam 称，它们的工作改进了基线交易系统。
以更高的 token 效率维持更长时间的研究
在 GPT‑5.5 之前，Adam 说模型只能执行用户指定的实验。有了 GPT‑5.5 和 GPT‑5.6，配合 Codex harness 工作的模型可以利用结果来设计后续实验。如今有了 GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol，智能体可以通过与子智能体并行运行的数百个实验来调查根本原因。
这一进展帮助智能体探索了团队未曾预料到的研究方向。在一次会话中，GPT‑6.1 Sol 识别出了非展示交易对某个交易所的影响，这些交易在该交易所的交易量中占比出乎意料地大。“这是一个不明显的结果，我们的研究团队最初并未考虑到，”Adam 说。
Third Moment 在优化、机器学习系统和量化研究方面评估模型。它在其最高推理设置下测试前沿发布版本，评估它们浏览代码仓库、编写高效代码以及持续进行调查的能力。当前测试还包括 GPT‑6 Luna。
“鉴于其 token 效率，GPT-6.1 Sol 目前是我们使用最多的模型。它以最少的 token 完成任务，同时提供与 GPT-6 Astra 相似的性能。”
——Jeffrey Yan，Third Moment Research 联合创始人
其中一项基准测试要求智能体降低一个实时记分牌服务的更新延迟，同时保持其输出不变。团队通过将专家编写的解决方案的平均运行时间除以模型解决方案在同一硬件上的平均运行时间（在保证正确性的前提下）来衡量加速比。据 Adam 称，GPT‑6 Astra 实现了最大的加速。
对于针对性工作，包括检查模拟系统中的特定安全弱点，团队使用像 GPT‑5.6 Terra 这样更高效的模型。对于深度研究，Adam 认为更强的推理能力可以证明更高的成本是合理的：“在量化金融领域，找到某些有趣信号的价值极高。”
用 Daybreak 自动化安全测试
在 10,000 个智能体自主运行的情况下，Third Moment 需要一种方法来大规模测试其研究环境的安全性。团队使用 Daybreak 网络安全平台在模拟启动前自动化该测试。
这些测试检查智能体是否能突破其研究环境并访问更广泛的网络。“通过使用 Daybreak，我们能够让智能体自身对模拟环境进行渗透测试，并测试其基础设施和安全性，”Adam 说。
“如果没有 Daybreak，我们就无法大规模自主地进行这种测试。”
——Adam Khakhar，Third Moment Research 联合创始人
迈向数十万个协作智能体
Third Moment 的雄心还延伸到企业每天所做的专业化工作。对于零售商而言，这可能意味着在库存短缺或供应商延迟时做出更好的供应链决策。对于工程团队而言，这可能意味着在庞大的代码库中找出性能瓶颈。对于文档密集型业务而言，这可能意味着识别一份文档中的承诺与另一份文档中记录的结果不匹配之处。
基于 GPT‑6 Astra、GPT‑6 Sol 和 GPT‑6.1 Sol 的推理能力，Third Moment 计划从单个调查扩展到数十万个协作子智能体。其路线图要求以数万亿 token 支撑由数十个相互依赖的实验组成的链条，目标是用这些研究在新挑战出现时自主改进智能体。
对 Adam 而言，这将赋予人们更多能力来塑造智能体的学习和工作方式：“人类可以处于一个杠杆效应大得多的位置，他们可以思考如何做研究并优化研究本身，而不是实际去做研究。”