OpenAI揭秘万级Agent实测：狂跑36小时消耗万亿Token，自主重写引擎提升效率97%

OpenAI联合初创公司Third Moment Research展示了打破纪录的万级Agent极限实测。在横跨旧金山和纽约的真实环境中，超过10,000个Agent连续运行36至48小时，累计消耗约1万亿Token。单轮任务完成的工作量相当于人类工程师41年的总和。在量化金融这一试验田中，团队将上万个Agent置于装有1TB历史行情数据和技术文档的Docker隔离容器内。面对最初长达3小时的策略回测等待时间，AI系统自主识别出底层瓶颈，通过优化缓存和内存打包方案，将单次回测时间压缩至3至5分钟。测试中出现了显著的代际能力差异：GPT-5.5之前模型仅能按脚本执行；GPT-5.5及GPT-5.6可基于结果设计下一轮实验；而GPT-6系列（如Astra、Sol）则具备拉起数百个子Agent并行运行对照实验的能力。主Agent甚至发现了人类研究员未注意到的交易所“暗池”异动及其对策略收益的影响。为解决Agent长期任务中容易提前交卷或陷入死循环的问题，Third Moment研发了双层监管架构。内层由Codex执行具体代码工作，外层则由GPT-6 Sol或GPT-6.1 Sol作为监管模型，从外部视角审视运行轨迹，在检测到异常时决定重试、终止或上报人类，大幅降低了人类研究员的监控负担。为了支撑万级并发与长时间运转，团队将定价仅为旗舰GPT-6 Astra五分之一的GPT-6.1 Sol作为主力模型，以最优Token成本维持数天的研究主线不偏移。同时，Daybreak网络安全模型配合GPT-5.6 Terra进行渗透测试与漏洞排查，确保所有拥有写代码权限的Agent均严格限制在沙箱环境中运行。这套自进化系统通过采集轨迹、聚类诊断、合成沙箱和升级脚手架四步循环持续迭代。公司联合创始人Adam Khakhar指出，该机制彻底改变了过去“部署后祈祷不崩”的模式，每一次循环都基于失败构建定向仿真并升级系统能力。目前该系统已封装为推理接口，开发者仅需在OpenAI SDK中修改一行请求地址即可自动运行后台诊断与仿真。Third Moment从量化金融和网络安全切入，因其属于商业领域中少数没有价格天花板的零和博弈市场。Adam Khakhar比喻称，普通白领工作存在人力成本上限，而这两个领域若能早一秒算出价值信号或发现漏洞，即使消耗巨额算力也能获得净收益。