一万个Agent连跑36小时，OpenAI公开了一份极限实测

A5站长网10月16日消息，OpenAI近日在官方博客里公开了一份智能体极限实测的记录。参与的是横跨旧金山和纽约的初创公司Third Moment Research，它把10000个智能体同时放进真实环境里跑，单次自主研究会话持续36到48小时，一天的token消耗量达到1万亿。这套系统跑在GPT-6和6.1两个系列的Astra与Sol三款模型上，代码执行环节用的是Codex，安全测试用的是Daybreak。

团队把量化研究选作第一块试验田，理由并不复杂：长程任务最怕的是走出十几步之后还不知道自己走对没走对，而量化研究天然自带一个清晰的判断标准——策略跑完回测，结果是不是有效，看一眼数据就知道。团队在Docker隔离容器里准备了1TB的历史行情数据、技术文档，以及一套包含特征工程、模型训练、策略与仿真模块的代码仓库。

瓶颈是在运行中被智能体自己找出来的。早期团队用Codex配合GPT-5.6去分析几千条模拟轨迹、时间戳和代码库，发现用一年的逐笔订单数据回测一个策略要跑上好几个小时。等待期间，智能体每隔一会儿就去轮询一次完成状态，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。上下文对长程任务来说是最贵的资源，这种消耗是隐性的。

接下来的处理值得留意——Codex没有等人类工程师排期，自己顺着代码库找出两处底层问题，写好缓存优化和内存紧凑打包的方案，跑通测试后直接部署到生产环境，把单次回测从大约3小时压到3到5分钟，官方给出的降幅是97%，同时腾回了一块干净的上下文窗口。

回测速度提上来之后，几代模型在长程任务上的差距也显了出来。GPT-5.5之前，模型只能按人类写好的实验脚本一步步执行；GPT-5.5和GPT-5.6配合Codex，能看着初步结果自己设计下一轮实验；到了Astra与Sol这几个新版本，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，6.1版的Sol顺着数据一路追查，发现某家交易所的非公开展示交易在成交量中占了意外高的比例，这是研究团队最初没有考虑到的方向。

针对智能体提前收工这个老问题，团队也给了工程解法：把Codex作为子智能体，放进一个由更强模型驱动的外层框架里。任务没跑完时，外层负责检查整条执行轨迹，判断该重试、该终止，还是升级给人工审核。这套双层结构解决的是同一个问题的两面——子智能体负责干活，外层负责判断它是不是真的干完了。

OpenAI在博客末尾提到，下一步准备把并发规模推向数十万个协同工作的子智能体集群，用数万亿token串起几十个连续实验。这个方向如果走通，按席位收费的软件定价模式本身就会失去参照物。不过也要看清楚，这份记录是模型提供方发布的能力展示，任务场景经过挑选、边界条件由双方共同设定，它证明的是上限在哪里，不是平均水平到了哪里。