AIラボの Third Moment Research は、同時実行エージェント数が 10,000、自律的なリサーチセッション1回あたりが 36〜48 時間、Codex によるバックテスト時間の削減が 97%、OpenAI トークンの使用量が1日で1兆（Trillion）であると示しています。GPT-6 Astra と GPT-6.1 Sol、Codex、およびサイバーセキュリティ向けの Daybreak を使い、10,000 のエージェントを同時に動かして 36 時間以上の調査を行っており、数日間集中して作業し、使うほど改善するエージェントを構築しています。最良のエージェントは、各社固有のワークフロー・ツール・エッジケース・成功の定義といった特定の業務に非常に長けているべきで、使われるほど能力を向上させるべきだというのが同社の考えです。
Third Moment Research社は、OpenAIの最新モデルを使ってエージェントの挙動を理解し、繰り返し現れる弱点を特定して、それらの問題に関する数千件の合成シナリオを自動生成する自己改善AIシステムを構築しています。このシステムの調査と計算作業を支えているのは、Codex、GPT-6 Astra、GPT-6 Sol、GPT-6.1 Solです。36時間から48時間続く調査で、10,000のエージェントを同時に実行できます。同社のチームはそれらのシナリオでエージェントを改善し、新たな問題が出るたびにこの工程を繰り返します。
AIラボの Third Moment Researchは、Codex、GPT-6 Astra、GPT-6 Sol、GPT-6.1 Solをシステムの研究・計算作業に使い、36〜48時間続く調査で10,000のエージェントを同時に動かしています。Third Momentは、エージェントが作業する環境のセキュリティをテストするためにDaybreakも使用しています。Adamによると、Daybreakがなければこのテストを大規模に自律的に行うことはできないとのことです。Third Momentの目標は、企業が日々行う専門的な業務にも広がります。小売業における在庫不足や仕入先の遅延が発生した際の供給網の意思決定の改善や、エンジニアリングチームによる大規模なコードベースの性能ボトルネックの発見などが例として挙げられます。書類の多い事業(document-heavy business)における専門業務の例としては、ある文書に書かれた約束事(commitments)が、別の文書に記録された結果と食い違っている箇所を特定することが挙げられます。
エージェントを動かす構成とハーネスの役割
GPT-6 Astra、GPT-6 Sol、GPT-6.1 Solが推論を担い、Codexハーネス(Codex harness)はエージェントに、行動し、計画を作り、目標を設定し、サブエージェント(subagent)を生成し、作業の進行に合わせてコンテキスト(context)を圧縮するためのツールを与えます。Third Momentは各エージェントに特定の仕事に必要なツール、情報、環境を与えています。定量リサーチでは、そのチームが Dockerized environment の中でデフォルトの Codexハーネスを実行します。Codexハーネスは非常に汎用性が高く、さまざまな分野にまたがって使えるとされています。Third Momentの発言によると、GPT-6.1 Solは1回のセッションにおいて、数日分の計算にわたって筋を見失うことなく一貫した計算リサーチの流れを維持できます。
タスクを完了する前に止まってしまうエージェントに対処するため、Third MomentはCodexを、GPT-6 SolまたはGPT-6.1 Solで動く外側のハーネス(outer harness)内のサブエージェントとして扱います。タスクが未完了のとき、この外側のハーネスは軌跡(trajectory)を調べ、再試行、ジョブの終了、人間のレビューへのエスカレーションの3つの中からどれにするかを判断します。
モデルの進化と今後の研究計画
Adamによると、GPT-5.5より前のモデルは、ユーザーが指示した実験しか実行できませんでした。GPT-5.5とGPT-5.6では、Codexハーネスで動くモデルが結果を使ってフォローアップ実験を設計できました。GPT-6 Astra、GPT-6 Sol、GPT-6.1 Solでは、エージェントがサブエージェントを使って並列に走る数百の実験を通じて、根本原因を調査できます。モデルが実験の設計やサブエージェントとの並列調査をできるようになった進展は、エージェントがチームの想定していなかった研究の方向を探索する助けとなりました。あるセッションでGPT-6.1 Solは、非表示の取引(non-displayed trades)が出来高の予想外に大きな割合を占めていた取引所で、その影響を特定しました。Adamは、この結果を「リサーチチームが当初考慮していなかった、自明でない結果」だと述べています。
Third Momentは、GPT-6.1 Solを、トークン効率の高さから現在最もよく使うモデルとしており、GPT-6 Astraに近い性能を出しながら、最も少ないトークンでタスクを完了すると述べています。
Third Moment Researchは、GPT-6 Astra、GPT-6 Sol、GPT-6.1 Solの推論能力(reasoning capabilities)を土台に、個別の調査から、協調する数十万規模のサブエージェントへと拡大する計画です。Third Moment Researchのロードマップでは、数兆トークンが、依存関係のある数十の実験(dependent experiments)が連なるチェーンを支えることを想定しています。目標は、その研究を使って、新しい課題が生じるたびにエージェントを自律的に改善することです。Adamは、これが実現すれば人間はエージェントの学び方や働き方を形づくる余力が増え、「研究そのものを行う代わりに、研究をどう行うか、研究自体をどう最適化するかを考えられる」と述べています。
クオンツ金融での活用とモデル評価
Third Moment Researchの初期の応用先の一つは、成功の尺度が明確であるためクオンツ金融の分野です。チームは、この分野でエージェントがどのように働きどこでつまずくかを調べ、リサーチ環境(research environment)の問題を見つけて対処するためにCodexを使っています。ある事例では、チームは当時の最新GPTモデルだったGPT-5.6でCodexを使い、記録された数千件のシミュレーション軌跡（エージェントの行動と環境の応答）を、タイムスタンプとコードベースとともに分析しました。
Codexが見つけたボトルネックは、米国株の注文レベルのデータ1年分で取引戦略をバックテスト(backtest)すると数時間かかることでした。その完了を待つ間、エージェントは完了を繰り返しポーリングしており、トークンを無駄にし、コンテキストをステータス確認で埋めていました。Codexはバックテストをプロファイリングし、その入力と使われ方を分析したうえで、キャッシュの最適化とメモリパッキング手法を特定しました。Codexは解決策を試して本番に展開し、バックテストを約3時間から約3〜5分に短縮しました。これによりトークン使用量とコンテキスト汚染(context pollution)が減り、エージェントのトークン予算をさらなる実験に回せるようになりました。
リサーチ環境では、エージェントがThird Momentのエンジニアが作ったベースラインの取引システム(baseline trading system)の改善に取り組んでいます。エージェントは過去データで取引戦略を試し、改善が意味のあるものかノイズかを評価し、各結果を使って次の実験を選びます。Adamによると、その取り組みはベースラインの取引システムを改善してきました。
Third Momentは、最適化、機械学習システム、クオンツリサーチの各分野でモデルを評価しており、最先端のリリースを最高の推論設定でテストして、リポジトリ内を探索・把握する能力、効率的なコードを書く能力、調査を持続する能力を評価します。現在のテストにはGPT-6 Lunaも含まれます。あるベンチマークでは、エージェントに、出力を保ったままライブスコアボードサービスの更新レイテンシを下げることを求めます。チームは、正確性を条件として、専門家が作った解法の平均実行時間を、同じハードウェアでのモデルの解法の平均実行時間で割ってスピードアップを測ります。Adamによると、GPT-6 Astraはこのベンチマークにおいて最大のスピードアップを出しました。
Daybreakでのセキュリティ試験とモデル選択
AIラボの Third Moment Research は、10,000のエージェントを自律的に動かしており、そのリサーチ環境のセキュリティを大規模にテストする方法を必要としています。同社のチームは、シミュレーションの起動前にそのセキュリティテストを自動化するため、サイバーセキュリティプラットフォームである Daybreak を使っています。
このテストは、エージェントがリサーチ環境から抜け出して、より広いネットワークにアクセスできるかどうかを確認します。Adamによると、Daybreak を使うことで、エージェント自身がシミュレーションのペネトレーションテスト(penetration testing)を行い、そのインフラとセキュリティをテストできます。
シミュレーションシステムの特定のセキュリティ上の弱点のチェックなど、的を絞った作業には、チームは GPT-5.6 Terra のようなより効率的なモデルを使います。
Adamは、ディープリサーチでは、より強い推論が高いコストを正当化しうると考えています。その理由として「クオンツファイナンスの領域では、興味深いシグナルを見つける価値は極めて高い」と述べています。