Third Moment Research 是一家正在构建自我改进 AI 系统的公司。它的思路是：让 agent 在具体工作中变得更好，用得越多，能力越强。团队用 OpenAI 的最新模型分析 agent 行为，找出反复出现的弱点，然后围绕这些问题自动生成成千上万个合成场景，再用这些场景改进 agent，循环往复。

这套系统目前可以同时运行 10,000 个 agent，单个研究任务持续 36-48 小时。支撑研究的是 Codex、GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol 等模型；安全方面，团队用 Daybreak 平台在模拟启动前自动化测试环境。联合创始人 Adam Khakhar 说，GPT-6.1 Sol 能在单次会话中跨数天计算维持连贯的研究主线。

他们的早期应用选择量化金融，因为成功与否很容易度量。一个具体案例是：团队用 Codex 配合当时的 GPT-5.6 分析数千条模拟轨迹、时间戳和代码库，发现回测一年美股订单级数据需要几小时，等待期间 agent 反复轮询状态，浪费 token 并污染上下文。Codex 做了 profiling 后，识别出缓存优化和内存打包技术，并直接部署到生产环境，把回测时间从 约 3 小时降到约 3-5 分钟，减少 token 消耗和上下文污染。

在量化研究环境中，每个 agent 都配有专用工具、信息和环境。团队在 Docker 化环境里跑默认的 Codex harness，给 agent 提供 1 TB 数据、文档和包含特征工程、GPU 模型训练、交易策略、模拟模块的研究仓库。GPT-6 Astra、GPT-6 Sol 和 GPT-6.1 Sol 负责推理，Codex harness 则让 agent 能制定计划、设定目标、生成子 agent 并压缩上下文。

为了应对 agent 提前停止任务的情况，Third Moment 把 Codex 当作子 agent，外面再套一层由 GPT-6 Sol 或 GPT-6.1 Sol 驱动的外层 harness。外层 harness 在任务未完成时检查轨迹，决定重试、终止或转人工。这个机制让 agent 能持续工作而不中途丢失目标。

模型能力的演进带来了研究方式的变化。Adam 说，GPT-5.5 之前，模型只能执行用户指定的实验；GPT-5.5 和 GPT-5.6 配合 Codex harness 后，模型能根据结果设计后续实验；而到了 GPT-6 系列，agent 可以并行跑数百个实验并用子 agent 调查根因。在一次会话中，GPT-6.1 Sol 发现了一个非显示交易在交易所成交量中占比异常大的现象，这是研究团队最初没有考虑到的方向。

Third Moment 在优化、机器学习系统和量化研究三个维度评估模型，测试前沿版本的最高推理设置，当前也在测试 GPT-6 Luna。联合创始人 Jeffrey Yan 说，GPT-6.1 Sol 是目前最常用的模型，因为它的 token 效率最高，能以最少 token 完成任务且性能接近 GPT-6 Astra。一个基准是，让 agent 降低一个实时记分牌服务的更新延迟，同时保持输出不变；加速比用专家解决方案的平均运行时间除以模型解决方案的运行时间。Adam 表示 GPT-6 Astra 带来了最大加速。对于检查模拟系统特定安全弱点这类定向任务，团队使用更高效的 GPT-5.6 Terra；但 Adam 认为，在量化金融里，找到有趣信号的价值极高，更强的推理能力可以支撑更高的成本。

安全方面，因为有 10,000 个 agent 自主运行，团队需要规模化测试研究环境的安全性。他们用 Daybreak 自动化渗透测试，在模拟启动前检查 agent 是否能突破环境访问更广网络。Adam 说，没有 Daybreak，他们无法自主进行这种规模的安全测试。

Third Moment 的下一步是从单个研究扩展到数十万个协作子 agent。路线图包括用数万亿 token 支撑几十个相互依赖的实验链，目标是随着新问题出现，用这些研究来自动改进 agent。在 Adam 看来，这能让人类处于更有杠杆的位置：思考如何做研究和优化研究本身，而不是亲自做研究。