10 000 AI-агентов, 36+ часов непрерывной работы: как Third Moment Research переписывает правила автономных исследований

Что если команда исследователей смогла бы запустить тысячи автономных AI-агентов, которые работают без остановки двое суток, сами находят слабые места в своей логике и автоматически генерируют сценарии для самоисправления? Именно это делает стартап Third Moment Research — и OpenAI опубликовала подробный разбор их архитектуры.

ℹ Кратко о компании
Third Moment Research — стартап в области количественных финансов (quantitative finance) из Северной Америки. Основная специализация — построение самообучающихся AI-систем для исследования торговых стратегий. Продукты: OpenAI API и Codex.

Ключевые показатели

МетрикаЗначение
Агентов одновременно10 000
Длительность сессии36–48 часов
Сокращение времени бэктеста97% (с 3 часов до 3–5 минут)
Токенов за один день1 триллион

Компания строит самообучающуюся AI-систему, которая использует новейшие модели OpenAI для понимания поведения агентов, выявления повторяющихся слабых мест и автоматической генерации тысяч синтетических сценариев для их устранения.

Почему именно количественные финансы?

Тестовой площадкой Third Moment Research выбрала количественные исследования финансовых рынков — и не случайно: это область с объективным критерием успеха (бэктест (backtesting — проверка торговой стратегии на исторических данных) показал больше или меньше ожидаемого), что значительно упрощает оценку реального улучшения агента.

Ключевая идея: вместо универсального агента каждый агент должен становиться всё лучше в конкретной задаче, при этом система сама выявляет точки сбоев и генерирует синтетические сценарии для их исправления.

«В рамках одной сессии GPT-6.1 Sol способен поддерживать связную нить вычислительного исследования на протяжении нескольких дней без потери контекста.» — Адам Хаккар (Adam Khakhar), сооснователь Third Moment Research

Архитектура: как агенты не теряют фокус 36 часов подряд

Удерживать агента в связном состоянии на протяжении 36 часов вычислений — это задача контекстной инженерии (context engineering), а не просто вопрос возможностей модели.

Third Moment решает её с помощью двухуровневой архитектуры: стандартная оболочка Codex (harness) работает внутри Docker-контейнера с доступом к терабайту данных, документации и исследовательскому репозиторию с модулями для feature engineering, обучения GPU-моделей, торговых стратегий и симуляций.

Поверх этого компания использует Codex как субагент внутри внешней оболочки, управляемой GPT-6 Sol или GPT-6.1 Sol.


graph TD
    A[GPT-6 Sol / GPT-6.1 Sol\nВнешняя оболочка] --> B[Codex\nСубагент]
    B --> C[Docker-контейнер\n1 ТБ данных + репозиторий]
    C --> D[Симуляции торговых стратегий]
    D --> E{Задача выполнена?}
    E -- Нет --> F[Анализ траектории]
    F --> G{Выбор пути}
    G -- Повтор --> B
    G -- Завершить --> H[Итог сессии]
    E -- Да --> H
    H --> I[Выявление слабых мест]
    I --> J[Генерация синтетических сценариев]
    J --> K[Улучшение агента]
    K --> A

GPT-6.1 Sol описывается как модель, способная поддерживать связную нить вычислительного исследования на протяжении нескольких дней без потери контекста, и является наиболее токенно-эффективной из всех используемых моделей.

Как Codex сократил время бэктеста на 97%

Один из самых показательных результатов — оптимизация, которую сам же Codex нашёл в собственном рабочем процессе.

В одном из случаев команда использовала Codex совместно с GPT-5.6 для анализа тысяч записанных траекторий симуляций (действия агентов и ответы среды) вместе с временны́ми метками и кодовой базой.

После профилирования бэктеста и анализа входных данных Codex выявил оптимизацию кэширования и технику упаковки памяти (memory-packing). Он протестировал решения и развернул исправление в продакшне, сократив время бэктеста приблизительно с 3 часов до 3–5 минут.

💡 Что такое memory-packing?
Memory-packing (упаковка памяти) — техника оптимизации, при которой данные в памяти переорганизуются для уменьшения фрагментации и ускорения обращений. В контексте AI-агентов это позволяет хранить больше полезного контекста в ограниченном окне токенов.

В итоге Codex самостоятельно выявил оптимизацию кэширования и упаковки памяти, сократив время бэктеста с примерно 3 часов до 3–5 минут — то есть на 97%.

Модели GPT-6: каждая для своей задачи

Codex, GPT-6 Astra, GPT-6 Sol и GPT-6.1 Sol обеспечивают исследовательскую и вычислительную работу системы, позволяя Third Moment запускать 10 000 агентов одновременно в сессиях продолжительностью 36–48 часов.

Для целевых задач, включая проверку конкретных уязвимостей в системе симуляции, команда использует более эффективные модели, например GPT-5.6 Terra.

МодельРоль в системе
GPT-6.1 SolДолгосрочное связное исследование, внешняя оболочка
GPT-6 SolУправление агентами и анализ траекторий
GPT-6 AstraГлубокое рассуждение, сложные задачи
CodexПрограммирование, оптимизация, субагент
GPT-5.6 TerraТочечные, экономичные проверки

Что такое GPT-6 Astra?

OpenAI называет GPT-6 Astra «значительным скачком в кибервозможностях» и отмечает, что модель достигла порога «Critical» (критический) в области кибербезопасности согласно Preparedness Framework компании.

В Codex модель Astra может вести заметки между контекстными окнами, сохраняя накопленные детали без их многократного сжатия в единое резюме — именно это критически важно для сессий длиной в сутки и более.

Кибербезопасность с Daybreak: тестирование песочниц в промышленном масштабе

Когда запускаешь 10 000 агентов одновременно, главный вопрос безопасности — не «взломают ли агентов», а «не вырвутся ли агенты за пределы своей среды».

Команда использует платформу кибербезопасности Daybreak от OpenAI для автоматизации пентеста (penetration testing — проверка на проникновение) изолированных исследовательских сред перед запуском симуляций в полном масштабе.

Daybreak автоматически проверяет, способен ли агент вырваться из своей песочницы (sandbox) и получить доступ к внешней сети. Такое автоматизированное тестирование описывается как необходимое условие для подтверждения безопасности инфраструктуры при 10 000 одновременных агентах — вручную это сделать нереально.

⚠ Почему это важно
При параллельной работе тысяч агентов ручное тестирование каждого окружения невозможно. Автоматизированный пентест через Daybreak — не опциональная мера, а обязательное условие безопасной эксплуатации агентных систем промышленного масштаба.

Платформа Daybreak охватывает моделирование угроз, валидацию уязвимостей в изолированных средах, генерацию патчей в репозиториях и возврат доказательной базы в корпоративные системы.

Цикл самосовершенствования: агенты, которые учатся на своих ошибках

Компания строит систему на основе идеи самосовершенствования — новейшие модели OpenAI анализируют поведение агентов, выявляют повторяющиеся слабые места и автоматически создают тысячи синтетических сценариев. Команда использует эти сценарии для улучшения агентов, повторяя процесс по мере возникновения новых проблем.

По словам компании, её агенты улучшили базовую торговую систему и обнаружили неочевидный результат, связанный с «непубличными сделками» (non-displayed trades), — что указывает на способность AI вести многодневные исследования.

Планы: сотни тысяч субагентов и триллионы токенов

Дорожная карта Third Moment выходит за рамки отдельных исследований — компания движется к сотням тысяч взаимодействующих субагентов, с триллионами токенов, обеспечивающих цепочки из десятков зависимых экспериментов.

Сооснователь Адам Хаккар говорит, что это позволит людям сосредоточиться на том, как делать исследование и оптимизировать сам исследовательский процесс, вместо того чтобы самостоятельно его проводить.

📝 Что это значит для других команд
Модель Third Moment Research применима не только к финансам. Любая область с объективными метриками успеха — A/B-тестирование продуктов, научные симуляции, автоматизация QA — может строить аналогичные самообучающиеся агентные системы. Ключевые компоненты: чёткий критерий оценки, изолированная среда и инструмент для автоматического пентеста окружения.

Итог

Кейс Third Moment Research демонстрирует, что эпоха агентов, работающих часами в полной автономии, уже наступила. Три принципа, которые сделали это возможным:

  1. Двухуровневая архитектура — сильная модель управляет менее дорогими субагентами
  2. Петля самосовершенствования — система сама находит слабые места и создаёт обучающие сценарии
  3. Автоматизированная безопасность — пентест через Daybreak масштабируется вместе с числом агентов

Результат: 97% экономия времени на бэктесте, триллион токенов в день и агенты, которые становятся умнее с каждой итерацией.