Стартап ганяє 10 000 агентів на дослідження по 36 годин

Як Codex сам знайшов вузьке місце

Команда Third Moment проаналізувала поведінку агентів за допомогою Codex і GPT‑5.6 (тоді — найновішої моделі GPT): система опрацювала тисячі записаних траєкторій симуляцій — дії агентів і відповіді середовища — разом із таймстемпами та кодовою базою. Так Codex виявив, що бектест торгової стратегії на річних даних ордерів американських акцій займав кілька годин, а поки агенти чекали результату, вони постійно опитували статус виконання — це витрачало токени і забивало контекст службовими перевірками.

Codex профілював бектест, проаналізував вхідні дані та спосіб їх використання, самостійно застосував кешування й техніку упаковки пам'яті, протестував варіанти і розгорнув виправлення у продакшн. Час бектесту скоротився з приблизно 3 годин до 3-5 хвилин. Головний ефект — не лише швидкість: звільнений токен-бюджет агенти витрачають на додаткові експерименти замість службових опитувань.

Як влаштоване середовище для 10 000 агентів

Для квантового дослідження команда запускає стандартний Codex-harness у Docker-середовищі. Кожен агент отримує терабайт даних, документацію та дослідницький репозиторій з модулями для інженерії ознак, навчання моделей на GPU, торгових стратегій і симуляції. GPT‑6 Astra, GPT‑6 Sol і GPT‑6.1 Sol відповідають за міркування, а Codex-harness дає інструменти для дій: будувати плани, ставити цілі, породжувати субагентів і стискати контекст.

Щоб агенти не зупинялись, не довівши завдання до кінця, Codex працює як субагент усередині зовнішнього harness на GPT‑6 Sol або GPT‑6.1 Sol. Коли завдання лишається незавершеним, зовнішній harness розбирає траєкторію роботи і ухвалює одне з рішень:

• повторити спробу
• завершити завдання
• передати на розгляд людині

Яку модель для якої задачі

За словами співзасновника Джефрі Яна, GPT‑6.1 Sol зараз найбільш вживана модель команди завдяки ефективності за токенами: вона виконує завдання з найменшою кількістю токенів, при цьому показуючи результат, подібний до GPT‑6 Astra. На окремому тесті — скорочення затримки оновлення сервісу живого табло без втрати коректності результату — швидкість порівнюють за формулою швидкість = час виконання експертного рішення / час виконання рішення моделі, і саме GPT‑6 Astra показала найбільший прискорення.

Для вузьких завдань, зокрема перевірки конкретних слабких місць безпеки в системі симуляції, команда використовує економнішу модель GPT‑5.6 Terra. А для глибоких досліджень вищі витрати на потужніші моделі себе виправдовують: за словами співзасновника Адама Хахара, у квантових фінансах цінність знайденого сигналу надзвичайно висока.

Де проходить межа автономії

Тести безпеки Daybreak запускаються перед стартом кожної симуляції і перевіряють, чи може агент вийти за межі свого дослідницького середовища і дістатись до ширшої мережі. За словами Адама Хахара, без Daybreak команда не змогла б автономно тестувати безпеку в такому масштабі.

Навіть із такою автономією команда не прибирає людину з контуру повністю: саме вона отримує есклейцію, коли зовнішній harness не може сам вирішити долю незавершеного завдання. Показово й те, що один із результатів GPT‑6.1 Sol — вплив недисплейованих угод на обсяг торгів біржі — дослідницька команда спочатку сама не передбачала, тож навіть неочевидні висновки агентів проходять перевірку людьми, перш ніж стати частиною робочої стратегії. Третя Moment планує розширити підхід до сотень тисяч агентів, які співпрацюватимуть один з одним, і застосувати його поза квантовими фінансами — наприклад, для рішень щодо ланцюгів постачання в ритейлі чи пошуку вузьких місць у великих кодових базах, але це поки на рівні планів, а не чинної практики.