A Third Moment Research está desenvolvendo um sistema de IA que se aprimora sozinho e permite que os agentes melhorem em fluxos de trabalho específicos de uma empresa quanto mais são usados. Com os modelos mais recentes da OpenAI, o sistema identifica fraquezas recorrentes dos agentes e gera automaticamente milhares de cenários sintéticos para corrigi-las. A empresa executa 10.000 agentes ao mesmo tempo em investigações que duram de 36 a 48 horas, e usa o Daybreak para testar a segurança dos ambientes em que esses agentes trabalham.
Um dos primeiros focos é o financeiro quantitativo, onde o sucesso é claramente mensurável. Usando o Codex com o GPT-5.6, a equipe analisou milhares de trajetórias de simulação registradas e encontrou um gargalo: o backtesting de uma estratégia de negociação sobre um ano de dados de ordens de ações americanas levava várias horas. O Codex identificou uma otimização de cache e uma técnica de empacotamento de memória, reduzindo o backtest de cerca de 3 horas para cerca de 3 a 5 minutos. Isso também diminuiu o uso de tokens e a poluição do contexto.
Para a pesquisa quantitativa, cada agente executa o harness do Codex em um ambiente Dockerizado com um terabyte de dados, documentação e um repositório de pesquisa. O GPT-6 Astra, o GPT-6 Sol e o GPT-6.1 Sol fornecem o raciocínio, enquanto um harness externo revisa as tarefas inacabadas e decide se deve tentar novamente, encerrar ou encaminhar para revisão humana.
O cofundador Adam Khakhar afirma que os modelos agora conseguem projetar experimentos de acompanhamento a partir de seus próprios resultados, em vez de apenas executar os prescritos. Ele credita a abordagem à melhoria do sistema de negociação de referência da empresa e observa que o GPT-6.1 Sol consegue manter uma linha coerente de pesquisa computacional por dias de processamento.
Fonte: OpenAI Blog · Resumido por HeadlinesBriefing