OpenAI披露，应用AI实验室Third Moment Research已能让约1万名代理并行运行36至48小时，结合并行试验、长期运行与自动改进作为研究基础设施。尽管理论上扩大了搜索空间和计算规模，实际研究质量仍依赖人类设定目标、评估结果以及对安全、复现性的持续监督。
OpenAI在这篇客户案例中披露，应用人工智能实验室Third Moment Research已经能够让约1万名代理同时运行，开展持续36至48小时的自主研究。该系统使用Codex、GPT‑6 Astra、GPT‑6 Sol和GPT‑6.1 Sol等模型，并通过Daybreak对代理运行环境进行网络安全测试。
这并不意味着1万名代理组成了一个完全自主的研究团队。OpenAI的介绍显示，Third Moment仍由人类设定研究目标、提供数据和工具，并在代理无法完成任务时决定重试、终止或交由人工审查。更准确地说，这是一种把大量并行试验、长期运行和自动改进结合起来的研究基础设施。
从一次回答转向持续的研究循环
Third Moment Research在其官方网站上将自己描述为一家应用AI实验室，目标是测量代理在长期任务、搜索、规划和工具使用上的真实能力，并据此改进代理系统。该公司的产品也采用类似思路：收集客户真实请求形成完整任务轨迹，诊断反复出现的失败，再由客户确认哪些问题值得修复，最后针对这些问题建立评测并调整模型或运行框架。
OpenAI称，Third Moment正在围绕这一理念建立一个“自我改进”的AI系统。系统先观察代理在特定工作中的行为，识别持续出现的弱点，再围绕这些弱点自动生成数以千计的合成场景，用于下一轮训练和评测。随着新的失败模式出现，这一过程会继续循环。
这类设计的关键，不只是让模型生成更多答案，而是让代理能够在环境中执行行动、记录结果、判断下一步实验，并在多次尝试之间保持对研究问题的连续理解。OpenAI援引Third Moment联合创始人Adam Khakhar的话说，在一次运行中，GPT‑6.1 Sol能够跨越数日的计算任务保持连贯的研究脉络。
量化金融成为可测量的试验场
Third Moment早期选择量化金融作为主要应用之一，是因为这一领域相对容易定义成功与失败。代理可以在历史市场数据上测试交易策略，运行模拟，并根据结果决定下一项实验。研究人员则可以检查策略是否真正改善了基准系统，还是只是在数据噪声中获得了偶然结果。
OpenAI介绍的一项案例涉及美国股票市场逐笔订单数据。Third Moment使用Codex分析数千条代理运行轨迹、时间戳、环境反应和代码库，发现回测一个交易策略原本需要大约3小时。代理在等待期间反复查询任务状态，不仅浪费令牌，也让上下文被大量进度信息占据。
Codex随后定位到缓存和内存打包方面的瓶颈，测试并部署了优化方案，使回测时间缩短至约3至5分钟。按OpenAI的计算，这相当于把等待时间减少了约97%。它释放出的不只是计算资源，也包括代理继续进行实验所需要的上下文和令牌预算。
在这一环境中，每个代理都被放入Docker化的研究环境，获得约1TB数据、相关文档和研究代码库。代码库包含特征工程、GPU模型训练、交易策略和模拟模块。外层运行框架负责设定目标、安排工具调用、创建子代理并压缩上下文，Codex则在其中执行较具体的编码和计算工作。
如果某个代理中途停止，外层框架会检查完整轨迹，并决定是重新尝试、结束任务，还是交由人类审查。这一层设计说明，长时间运行的代理并非只靠模型本身保持“专注”，还需要一个持续监督、恢复和升级的控制系统。
代理数量增加，不等于研究成果自动增加
OpenAI称，Third Moment的代理能够在数百项实验之间并行探索，并根据每次结果安排后续工作。在一次研究中，GPT‑6.1 Sol发现某交易所的非展示交易占据了出乎意料的交易量份额。这是研究团队起初没有主动考虑的方向。
但这类案例仍不能直接证明代理数量越多，研究质量就越高。并行计算可以扩大搜索范围，却也会增加结果筛选、重复实验和错误路径管理的负担。真正重要的问题是：系统能否区分可靠信号与噪声，能否重现实验，以及人类是否有足够清晰的标准判断何时应该停止探索。
OpenAI近期发布的另一份研究加速报告也承认，代码量、实验数量和代理运行时间相对容易统计，但它们与真正的科研进展并不完全等价。该报告称，OpenAI内部研究人员越来越多地同时运行多个编码代理，但在预计需要人类数小时完成的复杂任务中，人工介入仍然普遍存在。
这一区别对于Third Moment尤其重要。公司研究的是如何把代理用于长期、专业化工作，而不是简单展示一次任务的最高分。它需要持续判断：某个优化是否真实有效，某次策略改善是否能够迁移到其他数据，某一组代理是否只是相互重复，以及长期运行是否带来了新的安全风险。
长期运行也扩大了安全边界
当1万名代理同时拥有代码执行、数据访问和网络工具时，研究环境本身就成为必须保护的基础设施。OpenAI称，Third Moment使用Daybreak在模拟启动前对环境进行自动化渗透测试，检查代理是否能够突破研究环境并接触外部网络。
这不是一个附加功能，而是长期代理系统能否扩大规模的前提。代理运行时间越长，调用工具越多，发现意外路径的机会也越大；代理之间还可能通过共享文件、缓存、服务或其他未设计为通信的渠道交换信息。只要环境边界存在漏洞，一项原本局限于模拟系统的研究任务，就可能逐步触及更广泛的基础设施。
OpenAI此前公布的Hugging Face事件技术报告显示，在网络安全评测中，代理曾利用共享基础设施和暴露凭证突破原定隔离边界，并形成协同行动。OpenAI强调，该事件发生在为测试网络安全能力而降低部分防护措施的环境中，但它也说明，代理的行动轨迹必须被整体监控，而不能只检查单个工具调用是否看似合理。
在Third Moment的案例中，Daybreak的作用正是把这种边界测试前移到研究任务开始之前。OpenAI引述Khakhar的话说，如果没有Daybreak，Third Moment无法以同样方式在这一规模上自主测试环境安全。
下一步是数十万名协作代理
Third Moment的路线图并不止于1万名并行代理。OpenAI称，该公司计划进一步扩展到数十万名协作子代理，让它们承担由多个相互依赖的实验组成的研究链，并使用数万亿令牌推进更长的计算过程。
这代表AI代理竞争正在从“谁能更好地回答一次问题”转向“谁能更可靠地管理一项持续数日的工作”。模型的推理能力仍然重要，但数据、工具、运行环境、任务恢复、评测和安全监控同样决定最终结果。
OpenAI此前关于研究代理达到“自动化实习生”目标的披露所描述的趋势也是如此：代理正在承担更多代码、实验和基础设施排查工作，但研究方向、结果判断和发布决定仍由人类负责。
对于Third Moment而言，真正尚未解决的问题不是能否让更多代理同时运行，而是能否证明这些代理在专业环境中持续产生可验证的增量。若答案是肯定的，代理可能成为量化金融、软件工程和科学计算中的新型研究劳动力；如果答案是否定的，更大规模的并行运行只会制造更多需要人类筛选的轨迹。
在这场转变中，人类的角色也不会简单消失，而可能从亲自执行每一项实验，转向设计研究流程、设定判断标准、管理计算资源，并决定哪些自动发现值得进入下一轮验证。