OpenAI揭秘万级Agent实测，狂飙36小时，狂吞1万亿Token

OpenAI刚刚公布了一项创纪录的Agent极限测试结果。

1万个Agent同时启动，连续运行36至48小时，每天消耗1万亿Token！

完成一轮任务，相当于一次性完成了人类工程师41年的工作量。

没有人类指导它们修改系统底层，这些Agent觉得华尔街量化回测速度太慢，自行进入代码库重写引擎，将耗时减少了97%。

它们还自行启动了数百组并行实验，从大量交易数据中发现了人类分析师未曾察觉的交易所“暗池”异常。

嫌系统效率低，AI自行重写了底层引擎

将这些上万个Agent放入真实环境运行两天两夜的，是一家总部位于旧金山和纽约的初创公司Third Moment Research，他们选择的首个测试领域是量化金融。

长程任务最怕在推进过程中无法判断对错。

量化交易恰好不存在这个问题，策略每次完成历史回测后，是真正盈利了，还是仅仅拟合了噪音，查看账面数字就能一目了然。

团队在Docker隔离容器中配置了1TB的历史市场数据、技术文档和完整的量化代码库。

起初，他们让Codex配合GPT-5.6查询数千条运行轨迹和时间戳，结果发现用1年的美股逐笔订单数据回测一个策略，每次都需要等待3小时。

对长程Agent来说，上下文是最宝贵的资源。

在漫长的等待中，Agent每隔一段时间就轮询“运行完了吗”，每次状态检查都会占用上下文窗口，将前面几十步有用的实验记录挤到边缘，等待时间越长，越容易偏离方向。

找到这个瓶颈后，Codex没有等待人类工程师安排时间，自行在代码库中定位了两处底层问题。

它编写了缓存优化和内存紧凑打包方案，通过测试后直接部署到生产环境，将单次回测时间压缩至3到5分钟，同时保留了一个干净的上下文窗口。

回测速度提升后，OpenAI几代模型在长程任务上的差异也显现出来。

GPT-5.5之前：模型仅按人类编写的脚本逐步执行；

GPT-5.5与GPT-5.6（搭配Codex）：能根据初步结果自行设计下一轮实验；

GPT-6 Astra、GPT-6 Sol与GPT-6.1 Sol：主Agent一旦发现异常信号，会立即启动成百上千个子Agent并行运行对照实验。

在一次实际回测中，GPT-6.1 Sol沿着数据追查，发现某家交易所的非公开展示交易占据了很高的成交比例。

它随后计算了这部分“暗池”流动性对策略收益的影响，而人类量化团队此前从未考虑过这个方向。

GPT-6.1担任监督者，专门解决中途停滞

长程Agent最常见的两种失败方式，一种是执行到一半认为“差不多可以了”提前结束，另一种是在死胡同里反复循环。

当内部Agent停止工作时，它往往已被自己之前的上下文困住，仅靠自我反思无法跳出循环。

为了解决这个问题，Third Moment将容器中工作的Codex视为被监督的子模块，在容器外部专门添加了一个由GPT-6 Sol或GPT-6.1 Sol驱动的监督模型。

一旦内部Codex停止，外部模型会从外部视角审视整个轨迹，判断它是遇到了环境错误、进入了死胡同，还是遇到了需要决策的问题，当场决定打回重试、终止任务或通知人类。

这样，人类研究员无需监控上万个终端，只需处理外部模型提交的极少数复杂问题。

要同时运行1万个Agent，除了依靠双层架构控制方向，还需要解决Token成本和长程耐力的问题。

为此，团队将几天前刚发布的GPT-6.1 Sol作为主力模型。它的定价仅为旗舰GPT-6 Astra的五分之一，能用最少的Token完成任务，同时提供接近Astra的性能。

单次任务节省的Token看似微不足道，但一旦乘以万级并发和几十小时的连续运行，节省的成本决定了相同预算能多运行几轮实验。

在长程耐力方面，GPT-6.1 Sol在单次会话中能连续几天保持同一条研究主线，不会偏离方向。

至于推理能力最强的旗舰GPT-6 Astra，团队则用于攻克最难的工程优化，例如在不改变输出的前提下降低实时计分板服务的更新延迟，在同款硬件上与人类专家手写的方案比较性能。

除了双层监管，整个系统还通过四步循环持续改进：

• 采集轨迹：记录上万个Agent在沙箱中的完整运行步骤和错误；
• 聚类诊断：由轻量模型GPT-6 Luna构建相似度矩阵，将重复出现的错误归类；
• 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，自动改进工具和编排逻辑。

联合创始人Adam Khakhar认为，这套机制彻底改变了以往“部署一个静态Agent，然后祈祷它不崩溃”的做法：

每次循环都会造出一个比开始时更强的系统。系统会自行找出失败之处，围绕这些失败构建定向仿真，并为下一轮运行升级脚手架。

上万个拥有写代码权限的Agent同时运行两天两夜，还面临一个严峻问题：如何确保它们乖乖待在沙箱里，不会编写脚本突破隔离环境。

为此，Third Moment接入了OpenAI的网络安全模型Daybreak与GPT-5.6 Terra。

OpenAI将Daybreak分为防守端的Daybreak Blue，以及专攻授权渗透测试、需单独审批并绑定硬件安全密钥的Daybreak Red。

每次大规模仿真启动前，Third Moment都会先用Daybreak驱动红队Agent，对自家沙箱发起全自动渗透测试，配合GPT-5.6 Terra排查漏洞，确保没有任何Agent能逃出隔离环境。

全网仅有的两个“算力无上限”烧钱领域

Third Moment的联合创始人Adam Khakhar本科毕业于宾夕法尼亚大学，后来在纽约大学攻读博士，研究方向为深度学习理论与信息论。

创办这家公司前，他与搭档曾共同创立一家只有2人的AI公司FlashDocs，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，他直接用概率论中的“三阶矩”（Third Moment）为新公司命名。

一阶矩（均值）：就像市面上刷到95分的评测榜单，平均分好看，但一上生产环境照样出错；

二阶矩（方差）：代表结果波动与噪音，提升小于噪音就不算真提升；

三阶矩（偏度与尾部）：专门衡量那些被平均分掩盖、却会在真实业务里造成严重后果的罕见故障。

他们把这套自进化循环封装成了推理接口，开发者只需在OpenAI SDK里改一行请求地址，后台的轨迹诊断与沙箱仿真就会自动运行。

至于为什么先从量化金融与网络安全切入，Adam在今年9月的文章《无限算力》里解释了原因。

绝大多数白领工作，比如审合同、做PPT或写客服回复，头顶都有一道价格天花板，也就是人类员工的薪水。律所审一份10页合同收2000美元，哪怕AI比人聪明100倍，客户也不会掏200万美元买单。

商业世界里只有两个零和博弈的领域没有价格天花板，一个是投资管理，另一个是网络安全。

如果市场里藏着一个价值4000万美元的交易信号，哪怕烧掉3900万美元算力，只要比对手早一秒算出来，依然净赚100万美元；网络安全同样如此，比黑客早一秒发现零日漏洞，就能避免十亿美元级别的损失。

用Adam的比喻来说，普通行业买AI就像买办公桌椅，够用便宜就行；**唯有量化和网安对算力的需求，像水下憋气的人渴望氧气一样没有上限，**也只有它们愿意率先为“万级Agent、日吞万亿Token”买单。

一轮跑完41年工时，下一步冲向十万Agent

跑通量化和网安之后，Third Moment正在把这套体系搬向更多场景，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在博客末尾透露，他们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，用数万亿Token串联起几十个连续实验。

当单次任务就能消耗36万个Agent工时，传统软件按席位收费的模式已经失去意义；而大模型的比拼，也从单纯卷模型权重，延伸到了谁能管住十万个Agent不跑偏、不越界，并在失败中自动迭代。

到那时，人类便能彻底从繁琐的执行中抽身，退后一步去定义方向与边界。

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：https://openai.com/index/third-moment-research

本文来自微信公众号“新智元”，作者：ASI启示录；编辑：摩西，36氪经授权发布。