Third Moment Research développe un système d'IA auto-améliorant qui permet à ses agents de progresser sur les flux de travail spécifiques d'une entreprise, plus ils sont utilisés. S'appuyant sur les derniers modèles d'OpenAI, le système identifie les faiblesses récurrentes des agents et génère automatiquement des milliers de scénarios synthétiques pour y remédier. La société fait fonctionner 10 000 agents simultanément sur des investigations durant de 36 à 48 heures, et utilise Daybreak pour tester la sécurité des environnements dans lesquels ces agents opèrent.
L'un des premiers axes porte sur la finance quantitative, où le succès se mesure clairement. Grâce à Codex et GPT-5.6, l'équipe a analysé des milliers de trajectoires de simulation enregistrées et identifié un goulet d'étranglement : le backtesting d'une stratégie de trading sur une année de données d'ordres d'actions américaines prenait plusieurs heures. Codex a repéré une optimisation de mise en cache et une technique de compactage de la mémoire, ramenant le backtest d'environ 3 heures à environ 3 à 5 minutes. Cela a également réduit la consommation de jetons et la pollution du contexte.
Pour la recherche quantitative, chaque agent exécute le harnais Codex dans un environnement Docker doté d'un téraoctet de données, de documentation et d'un dépôt de recherche. GPT-6 Astra, GPT-6 Sol et GPT-6.1 Sol assurent le raisonnement, tandis qu'un harnais externe examine les tâches inachevées et décide de les relancer, de les arrêter ou de les soumettre à une revue humaine.
Le cofondateur Adam Khakhar explique que les modèles peuvent désormais concevoir des expériences de suivi à partir de leurs propres résultats, au lieu de se contenter d'exécuter des expériences prescrites. Il attribue à cette approche l'amélioration du système de trading de référence de l'entreprise, et souligne que GPT-6.1 Sol parvient à maintenir un fil cohérent de recherche computationnelle sur plusieurs jours de calcul.
Source: OpenAI Blog · Résumé par HeadlinesBriefing