OpenAI揭秘万级Agent实测：36小时狂飙、日吞1万亿Token

就在刚刚，OpenAI 晒出了一份打破纪录的 Agent 极限实测，云栈社区第一时间做了梳理。

10,000 个 Agent 同时进场，不眠不休地连跑 36 到 48 小时，每天吞掉 1 万亿 Token。

单跑一轮任务，就相当于一口气干完人类工程师 41 年的工作量。

没人教它们怎么改系统底层。这群 Agent 嫌华尔街量化回测太慢，干脆自己钻进代码库重写引擎，把耗时直接砍掉了 97%。

它们甚至自己拉起几百组并行实验，从海量交易流水里抓出了人类研究员都没注意到的交易所「暗池」异动。

嫌系统太慢，AI 自己重写了底层引擎

把这上万个 Agent 放进真实环境连跑两天两夜的，是一家横跨旧金山和纽约的初创公司 Third Moment Research。他们选的第一块试验田，是量化金融。

长程任务最怕走出去十几步，还不知道自己是对是错。

量化交易恰好没有这个问题。策略每次跑完历史回测，到底是真赚到了钱，还是只拟合了一团噪音，看一眼账面数字就清清楚楚。

团队在 Docker隔离容器 里装好了 1TB 的历史行情数据、技术文档和整套量化代码库。

起初，他们让 Codex 配合 GPT-5.6 去查几千条运行轨迹和时间戳，结果发现拿 1 年的美股逐笔订单数据回测一个策略，每次都要干等 3 个小时。

对长程 Agent 来说，上下文是最金贵的资源。

在漫长的等待里，Agent 每隔一会儿就去轮询一句「跑完了没」。每次状态检查都会留在上下文窗口里，把前面几十步真正有用的实验记录挤到边缘，越等越容易跑偏。

找到这个卡点后，Codex 没有等人类工程师排期，自己顺着代码库找出了两处底层瓶颈。

它动手写好缓存优化和内存紧凑打包方案，跑通测试后直接推上生产环境，把单次回测时间压到了 3 至 5 分钟，也保住了一块干净的上下文窗口。

回测速度提上来之后，OpenAI 几代模型在长程任务上的差距也显露了出来。

• GPT-5.5 之前：模型只会按人类写好的脚本一步步执行；
• GPT-5.5 与 GPT-5.6（搭配 Codex）：能看着初步结果，自己设计下一轮实验；
• GPT-6 Astra、GPT-6 Sol 与 GPT-6.1 Sol：主 Agent 一旦发现异常信号，会当场拉起成百上千个子Agent并行跑对照实验。

在一次真实回测里，GPT-6.1 Sol 顺着数据一路追查，发现某家交易所的非公开展示交易占到了很高的成交比例。

它随即算清了这部分「暗池」流动性对策略收益的影响，而人类量化团队此前根本没往这个方向想过。

GPT-6.1 当监工，专治半路躺平

长程 Agent 最常见的死法有两种：一种是干到一半觉得「差不多行了」提前交卷，另一种是在死胡同里原地打转。

当内层 Agent 停下来的那一刻，它往往已经被自己之前的上下文困住了，靠自我反思根本跳不出怪圈。

为了解决这个问题，Third Moment 把容器里干活的 Codex 当成被监管的子模块，在容器外层专门套上了一个由 GPT-6 Sol 或 GPT-6.1 Sol 驱动的监管模型。

只要内层 Codex 停下来，外层模型就会站在局外视角审视整条轨迹，判断它到底是撞上了环境 Bug、钻进了死胡同，还是遇到了需要拍板的难题，当场做出打回重试、终止任务或上报人类的决定。

这样一来，人类研究员不用再盯着上万个终端，只需要处理外层模型交上来的极少数疑难问题。

要同时跑起 1 万个 Agent，除了靠双层架构管住方向，还得解决 Token 成本和长程耐力的问题。

为此，团队把几天前刚发布的 GPT-6.1 Sol 推上了主力位置。它的定价只有旗舰 GPT-6 Astra 的五分之一，能用最少的 Token 完成任务，同时交出接近 Astra 的性能。

单次任务省下一点 Token 看着不起眼，一旦乘上万级并发和几十个小时的连续运转，省下的成本就决定了同样预算能多跑几轮实验。

而且在长程耐力上，GPT-6.1 Sol 在单次会话里能连着几天守住同一条研究主线，一直不会跑丢。

至于推理能力最强的旗舰 GPT-6 Astra，团队则留着攻克最难的工程优化，比如在不改变输出的前提下压低实时计分板服务的更新延迟，在同款硬件上和人类专家手写的方案比拼性能。

除了双层监管，整套系统还会通过四步循环持续迭代：

• 采集轨迹：记录上万个 Agent 在沙箱里的完整运行步骤与报错；
• 聚类诊断：由轻量模型 GPT-6 Luna 构建相似度矩阵，把重复出现的报错归类；
• 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 在仿真环境里反复测试，自动迭代工具与编排逻辑。

在联合创始人 Adam Khakhar 看来，这套机制彻底改变了过去「部署一个静态 Agent、然后祈祷它别崩」的做法：

每一次循环都会造出一个比出发时更强的系统。系统会自己找出败在哪里，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。

全网唯二「算力无上限」的烧钱战场

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，他联手搭档做过一家只有 2 个人的 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，他直接用概率论里的「三阶矩」（Third Moment）给新公司命名。

• 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》里写出了原因。

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