How Third Moment Research runs 10,000 agents for 36+ hours

Third Moment Research is building a self-improving AI system that lets agents get better at specific company workflows the more they are used. Using OpenAI's latest models, the system identifies recurring agent weaknesses and automatically generates thousands of synthetic scenarios to address them. The company runs 10,000 agents at once on investigations lasting 36 to 48 hours, and uses Daybreak to test the security of the environments where those agents work.

One early focus is quantitative finance, where success is clearly measured. Using Codex with GPT-5.6, the team analyzed thousands of recorded simulation trajectories and found a bottleneck: backtesting a trading strategy across a year of order-level US equity data took several hours. Codex identified a caching optimization and a memory-packing technique, cutting the backtest from about 3 hours to about 3 to 5 minutes. This reduced token use and context pollution.

For quantitative research, each agent runs the Codex harness inside a Dockerized environment with a terabyte of data, documentation, and a research repository. GPT-6 Astra, GPT-6 Sol, and GPT-6.1 Sol provide reasoning, while an outer harness reviews unfinished tasks and decides whether to retry, terminate, or escalate to human review.

Co-founder Adam Khakhar says the models can now design follow-up experiments from their own results, rather than only executing prescribed ones. He credits the approach with improving the company's baseline trading system, and notes that GPT-6.1 Sol can keep a coherent thread of computational research across days of compute.

تطوّر Third Moment Research نظام ذكاء اصطناعي يُحسّن ذاته، ويمكّن الوكلاء من التحسن في سير عمل شركات محددة كلما زاد استخدامهم. يستخدم النظام أحدث نماذج OpenAI، ويحدد نقاط الضعف المتكررة لدى الوكلاء، ويولّد تلقائياً آلاف السيناريوهات الاصطناعية لمعالجتها. تشغّل الشركة 10,000 وكيل في الوقت نفسه في تحقيقات تستمر من 36 إلى 48 ساعة، وتستخدم Daybreak لاختبار أمان البيئات التي يعمل فيها هؤلاء الوكلاء.

ومن أولى مجالات التركيز التمويل الكمي، حيث يمكن قياس النجاح بوضوح. استخدم الفريق Codex مع GPT-5.6 لتحليل آلاف مسارات المحاكاة المسجلة، فوجد عنق زجاجة: كان اختبار استراتيجية تداول رجعياً على بيانات أوامر الأسهم الأمريكية لمدة عام يستغرق عدة ساعات. حدّد Codex تحسيناً للتخزين المؤقت وتقنية لتعبئة الذاكرة، فخفّض وقت الاختبار الرجعي من نحو 3 ساعات إلى نحو 3 إلى 5 دقائق. كما قلّل ذلك استهلاك الرموز وتلوث السياق.

ولأغراض البحث الكمي، يشغّل كل وكيل حزمة Codex داخل بيئة Docker تحتوي على تيرابايت من البيانات والوثائق ومستودع للبحث. تتولى نماذج GPT-6 Astra وGPT-6 Sol وGPT-6.1 Sol التفكير، فيما تراجع حزمة خارجية المهام غير المكتملة وتقرر إعادة المحاولة أو الإنهاء أو إحالتها إلى مراجعة بشرية.

ويقول الشريك المؤسس Adam Khakhar إن النماذج باتت قادرة على تصميم تجارب متابعة استناداً إلى نتائجها الخاصة، بدلاً من تنفيذ التجارب المحددة مسبقاً فقط. ويعزو إلى هذا النهج تحسين نظام التداول المرجعي للشركة، ويشير إلى أن GPT-6.1 Sol يمكنه الحفاظ على خيط متماسك من البحث الحسابي عبر أيام من الحوسبة.

Third Moment Research একটি স্ব-উন্নয়নশীল AI সিস্টেম তৈরি করছে, যা এজেন্টদের যত বেশি ব্যবহার করা হয়, তত বেশি কোনো নির্দিষ্ট কোম্পানির ওয়ার্কফ্লোতে তারা আরও ভালো হয়ে ওঠে। OpenAI-এর সর্বশেষ মডেল ব্যবহার করে এই সিস্টেম এজেন্টদের বারবার দেখা দুর্বলতাগুলো চিহ্নিত করে এবং সেগুলো মোকাবিলায় স্বয়ংক্রিয়ভাবে হাজার হাজার সিনথেটিক পরিস্থিতি তৈরি করে। কোম্পানি একই সঙ্গে ১০,০০০ এজেন্ট চালায়, যা ৩৬ থেকে ৪৮ ঘণ্টা ধরে চলা তদন্তে কাজ করে, এবং এজেন্টরা যে পরিবেশে কাজ করে তার নিরাপত্তা পরীক্ষার জন্য Daybreak ব্যবহার করে।

প্রাথমিক গুরুত্বের একটি ক্ষেত্র হলো কোয়ান্টিটেটিভ ফাইন্যান্স, যেখানে সাফল্য স্পষ্টভাবে পরিমাপ করা যায়। GPT-5.6 সহ Codex ব্যবহার করে দলটি হাজার হাজার রেকর্ড করা সিমুলেশন ট্র্যাজেক্টরি বিশ্লেষণ করে একটি বাধা খুঁজে পায়: মার্কিন ইক্যুইটির এক বছরের অর্ডার-স্তরের ডেটায় একটি ট্রেডিং কৌশলের ব্যাকটেস্ট করতে কয়েক ঘণ্টা লাগত। Codex একটি ক্যাশিং অপ্টিমাইজেশন এবং একটি মেমোরি-প্যাকিং কৌশল চিহ্নিত করে, যাতে ব্যাকটেস্ট প্রায় ৩ ঘণ্টা থেকে নেমে প্রায় ৩ থেকে ৫ মিনিটে দাঁড়ায়। এতে টোকেন ব্যবহার ও কনটেক্সট দূষণও কমে।

কোয়ান্টিটেটিভ গবেষণার জন্য প্রতিটি এজেন্ট একটি Dockerized পরিবেশে Codex harness চালায়, যেখানে এক টেরাবাইট ডেটা, ডকুমেন্টেশন এবং একটি গবেষণা রিপোজিটরি থাকে। GPT-6 Astra, GPT-6 Sol এবং GPT-6.1 Sol যুক্তি প্রদান করে, আর একটি বাহ্যিক harness অসম্পূর্ণ কাজগুলো পর্যালোচনা করে এবং সিদ্ধান্ত নেয় পুনরায় চেষ্টা করা হবে, বন্ধ করা হবে, নাকি মানুষের পর্যালোচনার জন্য পাঠানো হবে।

সহ-প্রতিষ্ঠাতা Adam Khakhar বলেন, নির্ধারিত পরীক্ষা চালানোর পাশাপাশি এখন মডেলগুলো নিজেদের ফলাফল থেকে পরবর্তী পরীক্ষা নকশা করতে পারে। তিনি এই পদ্ধতিকে কোম্পানির বেসলাইন ট্রেডিং সিস্টেমের উন্নতির কৃতিত্ব দেন, এবং উল্লেখ করেন যে GPT-6.1 Sol কয়েক দিনের কম্পিউট সময় জুড়ে সুসংগত কম্পিউটেশনাল গবেষণার ধারাবাহিকতা বজায় রাখতে পারে।

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.

Third Moment Research está desarrollando un sistema de IA que se automejora y que permite a los agentes mejorar en flujos de trabajo específicos de cada empresa cuanto más se utilizan. Con los modelos más recientes de OpenAI, el sistema identifica las debilidades recurrentes de los agentes y genera automáticamente miles de escenarios sintéticos para corregirlas. La compañía ejecuta 10.000 agentes a la vez en investigaciones que duran entre 36 y 48 horas, y utiliza Daybreak para probar la seguridad de los entornos en los que trabajan esos agentes.

Uno de los primeros focos es la finanzas cuantitativas, donde el éxito se mide con claridad. Usando Codex con GPT-5.6, el equipo analizó miles de trayectorias de simulación registradas y encontró un cuello de botella: el backtesting de una estrategia de trading sobre un año de datos de órdenes individuales de renta variable estadounidense tardaba varias horas. Codex identificó una optimización de caché y una técnica de empaquetado de memoria, lo que redujo el backtest de unas 3 horas a unos 3 a 5 minutos. Esto también redujo el uso de tokens y la contaminación del contexto.

Para la investigación cuantitativa, cada agente ejecuta el arnés de Codex dentro de un entorno Docker con un terabyte de datos, documentación y un repositorio de investigación. GPT-6 Astra, GPT-6 Sol y GPT-6.1 Sol aportan el razonamiento, mientras que un arnés externo revisa las tareas inconclusas y decide si reintentar, terminar o escalar la revisión a una persona.

El cofundador Adam Khakhar afirma que los modelos ahora pueden diseñar experimentos de seguimiento a partir de sus propios resultados, en lugar de limitarse a ejecutar los prescritos. Atribuye a este enfoque la mejora del sistema de trading de referencia de la empresa y señala que GPT-6.1 Sol puede mantener un hilo coherente de investigación computacional a lo largo de días de cálculo.

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.

Third Moment Research एक स्व-सुधारी AI प्रणाली बना रही है, जो एजेंटों को उपयोग बढ़ने के साथ किसी कंपनी के विशिष्ट वर्कफ़्लो में और बेहतर बनाती है। OpenAI के नवीनतम मॉडलों का उपयोग करते हुए यह प्रणाली बार-बार आने वाली एजेंट कमज़ोरियों की पहचान करती है और उन्हें दूर करने के लिए स्वचालित रूप से हज़ारों सिंथेटिक परिदृश्य तैयार करती है। कंपनी एक साथ 10,000 एजेंट चलाती है, जिनकी जांच 36 से 48 घंटे तक चलती है, और उन वातावरणों की सुरक्षा जांचने के लिए Daybreak का उपयोग करती है जहां ये एजेंट काम करते हैं।

शुरुआती फ़ोकस में से एक है क्वांटिटेटिव फ़ाइनेंस, जहां सफलता स्पष्ट रूप से मापी जा सकती है। GPT-5.6 के साथ Codex का उपयोग करते हुए टीम ने हज़ारों रिकॉर्डेड सिमुलेशन ट्रैजेक्टरी का विश्लेषण किया और एक बाधा पाई: अमेरिकी इक्विटी के एक वर्ष के ऑर्डर-स्तर डेटा पर किसी ट्रेडिंग रणनीति का बैकटेस्ट करने में कई घंटे लगते थे। Codex ने एक कैशिंग अनुकूलन और एक मेमोरी-पैकिंग तकनीक पहचानी, जिससे बैकटेस्ट का समय लगभग 3 घंटे से घटकर लगभग 3 से 5 मिनट रह गया। इससे टोकन उपयोग और कॉन्टेक्स्ट प्रदूषण भी कम हुआ।

क्वांटिटेटिव रिसर्च के लिए हर एजेंट एक Dockerized वातावरण में Codex harness चलाता है, जिसमें एक टेराबाइट डेटा, दस्तावेज़ीकरण और एक रिसर्च रिपॉज़िटरी होती है। GPT-6 Astra, GPT-6 Sol और GPT-6.1 Sol तर्क प्रदान करते हैं, जबकि एक बाहरी harness अधूरे कार्यों की समीक्षा करता है और तय करता है कि पुनः प्रयास करना है, समाप्त करना है या मानव समीक्षा के लिए भेजना है।

सह-संस्थापक Adam Khakhar का कहना है कि ये मॉडल अब केवल निर्धारित प्रयोगों को चलाने के बजाय अपने परिणामों से आगे के प्रयोग डिज़ाइन कर सकते हैं। वे इस दृष्टिकोण को कंपनी की बेसलाइन ट्रेडिंग प्रणाली में सुधार का श्रेय देते हैं, और बताते हैं कि GPT-6.1 Sol कई दिनों की कंप्यूट अवधि में कम्प्यूटेशनल रिसर्च का सुसंगत सिलसिला बनाए रख सकता है।

Third Moment Research sedang membangun sistem AI yang memperbaiki diri sendiri, yang memungkinkan agen semakin baik dalam alur kerja spesifik perusahaan seiring semakin sering digunakan. Dengan memanfaatkan model terbaru OpenAI, sistem ini mengidentifikasi kelemahan agen yang berulang dan secara otomatis membuat ribuan skenario sintetis untuk mengatasinya. Perusahaan menjalankan 10.000 agen sekaligus untuk investigasi yang berlangsung 36 hingga 48 jam, dan menggunakan Daybreak untuk menguji keamanan lingkungan tempat agen-agen tersebut bekerja.

Salah satu fokus awal adalah keuangan kuantitatif, di mana keberhasilan dapat diukur dengan jelas. Dengan menggunakan Codex dengan GPT-5.6, tim menganalisis ribuan lintasan simulasi yang terekam dan menemukan hambatan: melakukan backtesting strategi perdagangan pada data tingkat order saham AS selama setahun memakan waktu beberapa jam. Codex mengidentifikasi optimasi caching dan teknik pengemasan memori, sehingga memangkas backtest dari sekitar 3 jam menjadi sekitar 3 hingga 5 menit. Hal ini juga mengurangi penggunaan token dan kontaminasi konteks.

Untuk penelitian kuantitatif, setiap agen menjalankan harness Codex di dalam lingkungan Docker yang berisi satu terabyte data, dokumentasi, dan repositori penelitian. GPT-6 Astra, GPT-6 Sol, dan GPT-6.1 Sol menyediakan penalaran, sementara harness luar meninjau tugas yang belum selesai dan memutuskan apakah akan mencoba ulang, menghentikan, atau meneruskan ke tinjauan manusia.

Co-founder Adam Khakhar mengatakan model kini dapat merancang eksperimen lanjutan dari hasilnya sendiri, alih-alih hanya menjalankan eksperimen yang ditentukan. Ia menganggap pendekatan ini meningkatkan sistem perdagangan dasar perusahaan, dan mencatat bahwa GPT-6.1 Sol dapat mempertahankan alur penelitian komputasi yang koheren selama berhari-hari komputasi.

Third Moment Researchは、利用が増えるほどエージェントが特定の企業のワークフローで improving していく、自己改善型AIシステムを開発しています。OpenAIの最新モデルを用いて、このシステムはエージェントに繰り返し現れる弱点を特定し、それに対処するための合成シナリオを数千件自動生成します。同社は36時間から48時間に及ぶ調査を1万体のエージェントで同時に実行し、それらのエージェントが動作する環境のセキュリティ検証にはDaybreakを使用しています。

初期の重点分野の一つが計量ファイナンスです。成果が明確に測定できるためです。GPT-5.6を搭載したCodexを使い、チームは記録された数千件のシミュレーション軌跡を分析し、ボトルネックを発見しました。米国株式の注文レベルデータ1年分を用いたトレーディング戦略のバックテストに、数時間かかっていたのです。Codexはキャッシュ最適化とメモリパッキング技術を特定し、バックテストを約3時間から約3〜5分へと短縮しました。これにより、トークン使用量とコンテキストの汚染も減少しました。

計量研究では、各エージェントが1テラバイトのデータ、ドキュメント、研究用リポジトリを備えたDocker化された環境でCodexハーネスを実行します。GPT-6 Astra、GPT-6 Sol、GPT-6.1 Solが推論を担い、外側のハーネスが未完了のタスクを確認し、再試行、終了、または人間によるレビューへのエスカレーションを判断します。

共同創業者のAdam Khakharは、モデルはもはや指示された実験を実行するだけでなく、自らの結果からフォローアップ実験を設計できるようになったと述べています。このアプローチが同社のベースライン取引システムの改善に寄与したとし、GPT-6.1 Solは数日にわたる計算においても一貫した計算研究の流れを維持できると指摘しています。

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.

Third Moment Research создаёт самосовершенствующуюся ИИ-систему, которая позволяет агентам становиться лучше в рабочих процессах конкретных компаний по мере их использования. Используя новейшие модели OpenAI, система выявляет повторяющиеся слабые места агентов и автоматически генерирует тысячи синтетических сценариев для их устранения. Компания одновременно запускает 10 000 агентов на расследованиях, длящихся от 36 до 48 часов, и использует Daybreak для проверки безопасности сред, в которых работают эти агенты.

Одно из первых направлений — количественные финансы, где успех измеряется однозначно. Используя Codex с GPT-5.6, команда проанализировала тысячи записанных траекторий симуляций и обнаружила узкое место: бэктестирование торговой стратегии на годовых данных ордеров по акциям США занимало несколько часов. Codex нашёл оптимизацию кэширования и технику упаковки памяти, что сократило бэктест примерно с 3 часов до примерно 3–5 минут. Это также уменьшило расход токенов и загрязнение контекста.

Для количественных исследований каждый агент запускает обвязку Codex в Docker-среде с терабайтом данных, документацией и репозиторием исследований. GPT-6 Astra, GPT-6 Sol и GPT-6.1 Sol обеспечивают рассуждения, а внешняя обвязка проверяет незавершённые задачи и решает, повторить ли их, прекратить или передать на проверку человеку.

Соучредитель Адам Хахар говорит, что модели теперь могут разрабатывать последующие эксперименты на основе собственных результатов, а не только выполнять заранее заданные. Он связывает этот подход с улучшением базовой торговой системы компании и отмечает, что GPT-6.1 Sol способна поддерживать связное направление вычислительных исследований на протяжении нескольких дней вычислений.

Third Moment Research 正在构建一个自我改进的 AI 系统，该系统使智能体随着使用次数的增加，在特定公司的工作流程中变得越来越出色。该系统使用 OpenAI 的最新模型，识别反复出现的智能体弱点，并自动生成数千个合成场景来加以解决。该公司同时运行 10,000 个智能体，进行持续 36 至 48 小时的调查，并使用 Daybreak 测试这些智能体工作环境的安全性。

早期的重点之一是量化金融，因为这一领域的成功可以得到明确衡量。该团队使用搭载 GPT-5.6 的 Codex，分析了数千条已记录的模拟轨迹，发现了一个瓶颈：对一年的逐笔美国股票数据进行交易策略回测，需要耗时数小时。Codex 找到了一种缓存优化方法和一种内存打包技术，将回测时间从约 3 小时缩短至约 3 至 5 分钟。这也减少了令牌使用量和上下文污染。

在量化研究方面，每个智能体都在一个 Docker 化环境中运行 Codex 框架，该环境包含 1TB 的数据、文档和一个研究代码库。GPT-6 Astra、GPT-6 Sol 和 GPT-6.1 Sol 负责推理，而外层框架会审查未完成的任务，并决定是重试、终止还是升级交由人工审核。

联合创始人 Adam Khakhar 表示，这些模型现在可以根据自身结果设计后续实验，而不再只是执行预设的实验。他将公司基准交易系统的改进归功于这一方法，并指出 GPT-6.1 Sol 能够在数天的计算过程中保持连贯的计算研究思路。