就在刚刚，OpenAI 晒出一份实测报告。
它打破了一项纪录。数字很夸张。
一万个智能体同时进场，连跑 36 到 48 个小时。中间不眠不休，每天吞掉一万亿 Token。
单跑一轮任务，就相当于干完人类工程师 41 年的活。这笔账算得清。
AI编程早就不是新鲜事。把一万个智能体放出去连跑两天两夜，却是另一回事。
这类AI工具平时只替你写几段代码、查几条资料。这一次，代价不一样。
没人教它们改系统底层。这群智能体嫌量化回测太慢，自己钻进代码库重写引擎。
耗时被砍掉 97%。这不是小事。
它们还自己拉起几百组并行实验，从海量交易流水里翻出交易所「暗池」的异动。这一点，人类研究员此前没注意到。
Third Moment 官网首页的案例横幅。讲这家初创企业如何让一万个智能体同时跑起来。
嫌系统太慢，就自己重写底层引擎
把这上万个智能体放进真实环境跑两天两夜的，是一家初创公司。它横跨旧金山和纽约，名叫 Third Moment Research，挑的第一块试验田是量化金融。
AI对话里那种一问一答的节奏，放到这种长跑里根本不够用。
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。
策略每跑完一轮历史回测，到底赚没赚到钱，看一眼账面数字就清楚。是真赚了，还是只拟合出一团噪音，瞒不过去。
团队在 Docker 隔离容器里装好了 1TB 历史行情数据、技术文档和整套量化代码库。
起初，他们让编程智能体配合新一代模型，去查几千条运行轨迹和时间戳。
结果发现，拿一年的美股逐笔订单数据回测一个策略，每次都要干等三个小时。与其干等，不如把等待这件事本身改掉。
对长程智能体来说，上下文是最金贵的资源。资源有限。
漫长的等待里，它每隔一会儿就轮询一句「跑完了没」。每次状态检查都会留在上下文窗口里，把前面几十步有用的实验记录挤到边缘。
越等越容易跑偏。
找到这个卡点之后，它没等人类工程师排期，自己顺着代码库找出两处底层瓶颈。
缓存优化和内存紧凑打包的方案，也是它自己写的。跑通测试后，直接推上生产环境。
单次回测时间压到三到五分钟。一块干净的上下文窗口，也保住了。
同一张图里的两组数字。优化前跑一轮约 3 小时，优化后只要 3-5 分钟。
回测速度提上来之后，几代模型在长程任务上的差距也显露出来。答案很直接。
AI编程的边界，被这群智能体往前推了一大截。
五代半之前的模型，只会按人类写好的脚本一步步执行。
到了五代半和最后那版五代模型，它们已经能看着初步结果，自己设计下一轮实验。
六代的三款模型更激进。主智能体一旦发现异常信号，会当场拉起成百上千个子智能体，并行跑对照实验。
在一次真实回测里，最强的那个版本顺着数据一路追查。它发现，某家交易所的非公开展示交易占比很高。
它随即算清这部分「暗池」流动性对策略收益的影响。人类量化团队此前根本没想到这个方向。
官网 HOW IT WORKS 页面。一条兼容的接口，按真实流量找出问题，再交回一版更好的系统。页面标着 FULLY MANAGED。
GPT-6.1 当监工，专治半路躺平
先看两种死法。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。
当内层智能体停下来的那一刻，它往往已经被之前的上下文困住了。靠自我反思，根本跳不出怪圈。
问题就出在这里。
官方流程图把循环拆成两步。AGENT AT WORK 让智能体在真实任务里反复实验。CONTINUAL IMPROVEMENT 再把问题一条条修掉。
为了解决这个问题，团队在容器外层套了一个监管层。里面干活的编程智能体，被当成受监管的子模块，外层则由最新两代模型驱动。
只要内层停下来，外层模型就站到局外视角，审视整条轨迹。
它要判断：是撞上了环境 Bug，是钻进了死胡同，还是遇到了需要拍板的难题。
判断完当场决定。打回重试、终止任务，或者上报人类。
宁可让外层多问一句，也别让内层自己硬扛。这样一来，人类研究员不用再盯着上万个终端。他们只需要处理外层交上来的极少数疑难问题。
官方账号贴出的客户案例。在同一套工具链上同时跑 1 万个 Agent，最长 48 小时。
要同时跑起一万个智能体，光靠双层架构管住方向还不够，成本与耐力也得解决。
为此，团队把几天前刚发布的新版本推上主力位置。
它的定价只有旗舰版的五分之一，却能用更少的 Token 交出接近旗舰的性能。
单次任务省下一点，看着不起眼。一旦乘上万级并发和几十个小时的连续运转，这笔账就变了。
省下的成本，决定同样预算能多跑几轮实验。
而且在长程耐力上，这个版本能连着几天守住同一条研究主线，一直不跑丢。
至于推理能力最强的旗舰版本，团队留着攻克最难的工程优化。这一步最难。
比如不改变输出的前提下，压低实时计分板服务的更新延迟。还要在同款硬件上，和人类专家手写的方案比性能。
双层架构的示意图。外层监工实时巡检内层没跑完的轨迹，自主裁决打回重试、安全终止还是升级人工审核。
除了双层监管，整套系统还会通过四步循环持续迭代。
第一步采集轨迹，记录上万个智能体在沙箱里的运行步骤与报错。第二步聚类诊断，轻量模型构建相似度矩阵，把重复出现的报错归类。
第三步合成沙箱，围绕薄弱环节自动生成数千个仿真环境。第四步升级脚手架，让编程智能体反复测试，自动迭代工具与编排逻辑。
在这家公司的联合创始人 Adam Khakhar 看来，这套机制改掉了老做法。过去是部署一个静态智能体，然后祈祷它别崩。
每一次循环，都会造出一个比出发时更强的系统。
系统自己找出败在哪里，围绕这些失败构建定向仿真，再为下一轮升级脚手架。
上万个智能体同时运行两天两夜，个个都有写代码的权限。这就带来一个严峻问题。
怎么保证它们乖乖待在沙箱里，不会写脚本突破隔离环境。
这不是假想。为此，团队接入了官方自家的网络安全模型。
它以防守和攻击两种形态提供。防守端随时待命，攻击端专攻授权渗透测试。
用攻击端需要单独审批，还要绑定硬件安全密钥。
每次大规模仿真启动前，他们先用攻击端驱动红队智能体。对自家沙箱发起全自动渗透测试，再配合另一个模型排查漏洞，确保没有任何智能体逃得出隔离环境。
全网唯二「算力无上限」的烧钱战场
联合创始人本科毕业于宾夕法尼亚大学，后来在纽约大学攻读博士，研究方向是深度学习理论与信息论。
创办这家公司之前，他和搭档做过一家只有两个人的小公司。那家公司每天自动生成上万张企业幻灯片。2025 年 7 月，它被华尔街一家 AI 独角兽收购。
第二次创业，他直接用概率论里的「三阶矩」给新公司命名。名字来自数学。
一阶矩是均值。就像市面上刷到 95 分的评测榜单，平均分好看，一上生产环境照样出错。
二阶矩是方差，代表结果波动与噪音。提升小于噪音，就不算真提升。
三阶矩衡量的是偏度和尾部，专门盯那些被平均分掩盖、却会在真实业务里造成严重后果的罕见故障。
官网首页的截图。页面写得很直白：全程托管，从发现问题到修好问题都由它接手。
他们把这套自进化循环封装成了推理接口。接入很简单。
开发者只要在 OpenAI 的软件开发包里改一行请求地址，后台的轨迹诊断与沙箱仿真就会自动运行。
官网给出的接入方式。把 base_url 换成官方兼容的服务地址，WE HANDLE EVERYTHING BEHIND IT。剩下的事全在后台处理。
至于为什么先从量化金融与网络安全切入，这位联合创始人写过一篇文章。那是他今年 9 月发的一篇长文，标题叫《无限算力》。
绝大多数白领工作，头顶都有一道价格天花板。审合同、做 PPT，或者写客服回复，天花板就是人类员工的薪水。
律所审一份十页合同收 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。没有第三个。
那篇长文的页面截图。开头一句就是：大多数工作都有价格天花板，只有两个行业没有。
假设市场里藏着一个价值 4000 万美元的交易信号。为它烧掉 3900 万美元算力，也值得。
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。
用这位创始人的比喻来说，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「万级智能体、日吞万亿 Token」买单。
社交平台上的另一条帖子给出了同一个数字。据官方披露，这批智能体在同一个问题上连跑了 36 小时以上。
一轮跑完 41 年工时，下一步冲向十万智能体
跑通量化和网安之后，这家公司正在把这套体系搬向更多场景。零售供应链的动态重排、大型代码库的性能排查，都在名单上。海量商业文档的交叉核对，也在名单上。
名单还在变长。
官方在博客末尾透露，下一步他们准备把并发规模推向数十万个子智能体集群。用数万亿 Token，串联起几十个连续实验。规模还要翻番。
当单次任务就能消耗 36 万个智能体工时，传统软件按席位收费的模式已经失去意义。
大模型的比拼，也从单纯卷模型权重，延伸到了另一件事。谁能管住十万个智能体不跑偏、不越界，还能在失败中自动迭代。
到那时，人类便能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。
