背景：代理不只要會做事，還要越用越強
OpenAI 在 2026 年 10 月 14 日公布的客戶案例中，Third Moment Research 是一家位於北美、屬於科技產業的新創公司。它的核心主張是：最好的 AI 代理不應只是通用的問答工具，而應深入特定工作流程、工具、例外情境與成功定義，並且越用越強。為了做到這件事，Third Moment 正在打造一套自我改進的 AI 系統，使用 OpenAI 的最新模型來理解代理行為、找出反覆出現的弱點，並自動圍繞這些問題生成數千個合成情境。團隊再用這些情境改進代理，當新問題出現時重複同一套流程。
這套系統的運算規模並不小。Third Moment 使用 Codex、GPT-6 Astra、GPT-6 Sol 與 GPT-6.1 Sol 支援研究與計算工作，能同時執行 10,000 個代理，單次自主研究 session（工作階段）可持續 36 到 48 小時。這裡的 session 不是幾分鐘的對話，而是代理在環境中長時間規劃、執行、觀察結果、修正方向的完整研究週期。共同創辦人 Adam Khakhar 表示，GPT-6.1 Sol 能在單一 session 中，跨越多天的運算維持一致的計算研究脈絡，不會失去主軸。這正是長時間自主研究能否成立的關鍵：模型不只要聰明，還要能記住目標、追蹤分支、在大量中間結果中保持方向感。
核心內容：Codex 如何把回測從數小時壓到數分鐘
Third Moment 最早期的應用之一落在量化金融。這個領域的成功指標相對明確，很適合觀察代理如何工作、在哪裡卡住。團隊使用 Codex 找出研究環境中的問題。其中一個案例是，Codex 搭配當時最新的 GPT-5.6，分析數千筆模擬軌跡，也就是代理的動作與環境回應，並同時比對時間戳與程式碼庫。Codex 發現了一個瓶頸：用一年期、訂單層級的美股資料回測交易策略，需要好幾個小時。代理在等待期間會反覆輪詢是否完成，這不僅浪費 Token，也把狀態檢查塞進上下文，造成上下文污染。
Codex 進一步對回測進行效能剖析，分析輸入與使用方式，找出一項快取最佳化與一項記憶體打包技術。它實驗多種解法，最後把修正部署到正式環境，讓回測從大約 3 小時縮短到大約 3 到 5 分鐘。以官方數字來說，回測時間減少了 97%。這個改變的意義不只是速度變快：代理不再把大量 Token 花在等待與輪詢，上下文也不會被無用的狀態訊息佔滿，等於把更多 Token 預算留給真正的研究實驗。
技術脈絡：外層 harness、子代理與模型分工
Third Moment 會針對特定工作，替每個代理準備所需的工具、資訊與環境。以量化研究為例，團隊在 Docker 化環境中執行預設的 Codex harness，代理會拿到 1 TB 的資料、文件，以及一個包含特徵工程、GPU 支援的模型訓練、交易策略與模擬等模組的研究儲存庫。GPT-6 Astra、GPT-6 Sol 與 GPT-6.1 Sol 提供推理能力，Codex harness 則提供行動工具，讓代理能建立計畫、設定目標、生成子代理，並在工作持續進行時壓縮上下文。Adam 形容，Codex harness 極具彈性，能跨多個不同領域使用。
不過，代理有時會在任務完成前停下來。為了解決這個問題，Third Moment 把 Codex 當成外層 harness 裡的子代理，外層由 GPT-6 Sol 或 GPT-6.1 Sol 驅動。當任務未完成時，外層 harness 會檢查軌跡，判斷要重試、終止工作，還是升級給人工審查。這代表系統並非完全放手：它仍然需要一層監督機制來決定何時該繼續、何時該停損、何時該找人介入。
在這個研究環境中，代理的任務是改進 Third Moment 工程師建立的基準交易系統。它們在歷史資料上測試交易策略，評估某個改善是有意義的訊號還是雜訊，並用每次結果選擇下一個實驗。Adam 表示，他們的工作已經改進了基準交易系統。模型能力也在演進。Adam 指出，在 GPT-5.5 之前，模型只能執行使用者指定的實驗；到了 GPT-5.5 與 GPT-5.6，搭配 Codex harness 的模型已能用結果設計後續實驗；現在有了 GPT-6 Astra、GPT-6 Sol 與 GPT-6.1 Sol，代理能透過數百個平行實驗與子代理追查根因。這種進展讓代理探索到團隊原先沒有預期的研究方向。其中一次 session 中，GPT-6.1 Sol 發現了某交易所非顯示交易的影響，而這類交易在該交易所成交量中占了出乎意料大的比例。Adam 說，這是研究團隊一開始沒有想到的非顯而易見結果。
Third Moment 會在最佳化、機器學習系統與量化研究等面向評估模型。團隊以最高推理設定測試前沿版本，評估模型能否在儲存庫中導航、撰寫高效率程式碼，以及維持一項調查。目前測試也包含 GPT-6 Luna。共同創辦人 Jeffrey Yan 表示，GPT-6.1 Sol 目前是團隊最常用的模型，因為它的 Token 效率最好：完成任務時消耗的 Token 最少，效能又與 GPT-6 Astra 相近。其中一項基準測試要求代理降低一個即時計分板服務的更新延遲，同時保留原有輸出。團隊用專家撰寫解法的平均執行時間，除以模型解法在同一硬體上的平均執行時間來衡量加速倍率，並以正確性為前提。Adam 表示，GPT-6 Astra 帶來最大的加速。對於針對性工作，例如檢查模擬系統中特定的安全弱點，團隊會使用更有效率的模型，如 GPT-5.6 Terra。至於深度研究，Adam 認為更強的推理能力可以合理化更高成本：在量化金融領域，找到有趣訊號的價值極高。
影響與限制：萬級代理的自動化代價
當 10,000 個代理自主運行時，安全測試也必須規模化。Third Moment 使用 Daybreak 資安平台，在模擬啟動前自動化測試。這些測試會檢查代理是否可能突破研究環境、存取更廣泛的網路。Adam 表示，透過 Daybreak，他們能讓代理自己對模擬環境進行滲透測試，並測試其基礎設施與安全性；如果沒有 Daybreak，就無法大規模自主測試。這點出一個重要限制：代理越自主、越大量，環境隔離與安全驗證就越不能靠人工逐一手動完成。
成本與效率同樣是限制。官方資料指出，Third Moment 在單日內使用了 1 兆個 OpenAI Token。10,000 個代理、36 到 48 小時的研究 session，意味著 Token 消耗會非常驚人，所以模型選擇不能只看最強推理，還要看 Token 效率。這也是為什麼 GPT-6.1 Sol 成為最常用模型，而針對性安全工作則改用 GPT-5.6 Terra。另一個限制是驗證：代理回報的改善可能只是雜訊，因此團隊必須設計流程判斷改善是否具有意義。再加上代理可能提前停止，系統需要外層 harness 與人工升級機制。換句話說，自主研究不是把控制權完全交出去，而是把人類的角色往後推一層，放在監督、設計評估方式與處理例外狀況。
邁向數十萬個協作代理的下一步
Third Moment 的野心不只限於量化金融。它想處理企業每天遇到的專門工作。對零售商而言，可能是在庫存短缺或供應商延遲時做出更好的供應鏈決策；對工程團隊而言，可能是在大型程式碼庫中找出效能瓶頸；對文件密集的企業而言，可能是找出某份文件中的承諾與另一份文件記錄的結果不一致之處。
在 GPT-6 Astra、GPT-6 Sol 與 GPT-6.1 Sol 的推理能力之上，Third Moment 計畫從單一調查擴展到數十萬個協作子代理。其路線圖要求以數兆 Token 支援數十個相互依賴的實驗鏈，目標是用這些研究在新挑戰出現時自主改進代理。對 Adam 來說，這會讓人類有更大的槓桿：人類可以思考如何做研究、如何最佳化研究本身，而不是親自執行研究。
從 Third Moment 的案例可以看到，代理系統的競爭力正在從單次提示的表現，轉向長時間自主研究、工具使用、子代理協作、Token 效率與安全隔離的整體工程。Codex 讓回測時間減少 97%，GPT-6.1 Sol 讓研究能跨越多天運算維持脈絡，Daybreak 則負責大規模安全測試；但這些能力同時伴隨高昂成本、驗證困難與人類監督需求。這些條件如何平衡，將決定數十萬個協作代理何時能真正落地。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。