Third Moment Research entwickelt ein sich selbst verbesserndes KI-System, mit dem Agenten bei unternehmensspezifischen Arbeitsabläufen umso besser werden, je häufiger sie genutzt werden. Das System nutzt die neuesten Modelle von OpenAI, erkennt wiederkehrende Schwächen der Agenten und erzeugt automatisch Tausende synthetischer Szenarien, um diese zu beheben. Das Unternehmen betreibt gleichzeitig 10.000 Agenten für Untersuchungen, die 36 bis 48 Stunden dauern, und nutzt Daybreak, um die Sicherheit der Umgebungen zu prüfen, in denen diese Agenten arbeiten.
Ein früher Schwerpunkt liegt im quantitativen Finanzwesen, wo sich Erfolg klar messen lässt. Mit Codex und GPT-5.6 analysierte das Team Tausende aufgezeichneter Simulationsverläufe und fand einen Engpass: Das Backtesting einer Handelsstrategie über ein Jahr an Auftragsdaten für US-Aktien dauerte mehrere Stunden. Codex identifizierte eine Caching-Optimierung und eine Technik zur Speicherpackung, wodurch der Backtest von etwa 3 Stunden auf etwa 3 bis 5 Minuten sank. Dadurch verringerten sich auch der Token-Verbrauch und die Kontextverschmutzung.
Für die quantitative Forschung führt jeder Agent das Codex-Harness in einer Docker-Umgebung aus, die ein Terabyte an Daten, Dokumentation und ein Forschungsrepository enthält. GPT-6 Astra, GPT-6 Sol und GPT-6.1 Sol übernehmen das logische Schließen, während ein übergeordnetes Harness unvollständige Aufgaben prüft und entscheidet, ob sie wiederholt, beendet oder zur menschlichen Prüfung weitergeleitet werden.
Mitgründer Adam Khakhar sagt, die Modelle könnten nun Folgeexperimente aus ihren eigenen Ergebnissen ableiten, statt nur vorgegebene auszuführen. Er führt die Verbesserung des Basis-Handelssystems des Unternehmens auf diesen Ansatz zurück und merkt an, dass GPT-6.1 Sol einen kohärenten Faden computergestützter Forschung über mehrere Tage Rechenzeit halten kann.
Quelle: OpenAI Blog · Zusammengefasst von HeadlinesBriefing