A Third Moment Research egy önfejlesztő mesterséges intelligencia rendszert épít azzal a kiinduló elvvel, hogy az ügynökök akkor a leghasznosabbak, ha nagyon jól végzik el egy konkrét cégre jellemző munkát, és folyamatosan javulnak a használat során szerzett tapasztalatok alapján. A rendszerben OpenAI legújabb modelljeit — köztük a Codexet, GPT‑6 Astra‑t, GPT‑6 Sol‑t és GPT‑6.1 Sol‑t — használják az ügynökök viselkedésének elemzésére, visszatérő gyengeségek feltárására és e problémák köré teremtett ezernyi szintetikus forgatókönyv automatikus létrehozására.
Működés és skálázás
A cég infrastruktúrája lehetővé teszi, hogy egyszerre 10 000 önálló ügynök fusson, és egyes vizsgálatok 36–48 órán át tartanak. A rendszer úgy működik, hogy a modellek felügyeletével (reasoning) azonosítják az ismétlődő hibákat, a Codex pedig segít a kutatási környezet hibáinak feltárásában és javításában. A talált problémák köré szintetikus eseteket generálnak, amelyeket az ügynökök is felhasználnak saját képességeik javítására; a folyamatot ismétlik, ahogy újabb hibák merülnek fel.
A Daybreak kiberveszélyeztetési platformot a Third Moment a kutatási környezetek biztonsági tesztelésére használja skálán — a cél annak ellenőrzése, hogy egy ügynök ki tud‑e törni a környezetből és hozzáférni a vállalat hálózatához.
Konkrét eredmény: kvantitatív pénzügyi alkalmazás
One korai alkalmazási terület a kvantitatív pénzügy, mert ott egyértelműen mérhető a siker. A Third Moment kutatói egy alapkereskedési rendszert fejlesztenek: az ügynökök történelmi adatokon tesztelnek stratégiákat, eldöntik, hogy egy változtatás jelentős javulást hoz‑e, majd az egyes eredményeket felhasználva választják ki a következő kísérletet.
A Codexet és korábbi GPT‑modell verziókat (például GPT‑5.6) kombinálva a csapat ezerszám elemezte a szimulációs trajektóriákat — az ügynökök lépéseit, a környezet reakcióit, időbélyegeket és a kódbázist. A Codex feltárt egy szűk keresztmetszetet: egy éves, megrendelésszintű amerikai részvényadatokon végzett backtest futtatása több órát vett igénybe, miközben az ügynökök folyamatosan lekérdezték az állapotot, pazarlóan használva tokeneket és megtöltve a kontextust státuszellenőrzésekkel.
A backtest profilozása és a bemenetek vizsgálata után a Codex egy gyorsításhoz szükséges cache‑optimalizálást és memória‑csomagolási technikát javasolt. A megoldás kísérleti bevezetése után a futási idő körülbelül 3 óráról nagyjából 3–5 percre csökkent. Ez jelentősen mérsékelte a tokenfelhasználást és a kontextus „szennyeződését”, így több erőforrás maradt az ügynökök további kísérleteire.
Hogyan dolgoznak az ügynökök
A Third Moment minden ügynöknek megadja a munkájához szükséges eszközöket, információkat és környezetet. Kvantitatív kutatásnál a csapat a Codex alapértelmezett „harness”‑át futtatja Dockerizált környezetben: az ügynökök egy terabájtos adathalmazt, dokumentációt és egy kutatói repozitóriumot kapnak, amely tartalmaz feature‑engineering modult, GPU‑támogatott model‑tréninget, kereskedési stratégia modulokat és szimulációs komponenseket.
A GPT‑6 Astra, GPT‑6 Sol és GPT‑6.1 Sol elsősorban az érvelést és stratégiai döntéshozatalt szolgálják, míg a Codex harness biztosítja a cselekvéshez szükséges eszközöket: tervek készítését, célok kitűzését, alügynökök indítását és a kontextus tömörítését a munka előrehaladtával.
Azoknál az eseteknél, amikor az ügynökök félbehagyják a feladatot, a Third Moment a Codexet alügynökként kezeli egy külső harnessben, amelyet GPT‑6 Sol vagy GPT‑6.1 Sol hajt. Ez a külső réteg megvizsgálja a trajektóriát és eldönti, hogy újrapróbálkozzon‑e, megszakítsa‑e a feladatot, vagy emberi felülvizsgálatra emelje‑e.
Modellértékelés és költség‑haszon megfontolások
A Third Moment modelleket tesztel optimalizálás, gépi tanulási rendszerek és kvantitatív kutatás szempontjából. A frontier kiadásoknál a legmagasabb érvelési beállításokat használják, hogy mérjék a képeségeket adattárakban való navigálásra, hatékony kódírásra és tartós vizsgálatok folytatására. Jelenlegi tesztelésük kiterjed a GPT‑6 Luna‑ra is.
Egyik benchmarkjuk például azt várja el az ügynököktől, hogy csökkentsék egy élő scoreboard szolgáltatás frissítési késleltetését, miközben az outputok változatlanok maradnak. A gyorsulást úgy mérik, hogy az expert megoldás átlagos futási idejét elosztják a modell megoldásának idejével ugyanazon hardveren, amennyiben a helyesség megvan. Adam szerint ebben a mérésben a GPT‑6 Astra hozta a legnagyobb gyorsulást.
A célzott, olcsóbb munkákhoz — például a szimulációs rendszer specifikus biztonsági ellenőrzéseihez — hatékonyabb modelleket, például GPT‑5.6 Terrát használnak. Ugyanakkor Adam szerint mélyebb kutatáshoz a jobb érvelés indokolhat magasabb költséget: „In the space of quantitative finance, the value of finding some interesting signal is extremely high.”
Jövőkép: több százmillió alügynök és trillió token
A Third Moment ambíciója túlmutat az egyedi vizsgálatokon: a tervek szerint több százezer együttműködő alügynök felé bővítenének. Az útiterv trillió tokeneket és több tucat függő kísérlet láncolatát célozza, azzal a célkitűzéssel, hogy a kutatás önállóan javítsa az ügynököket, ahogy új kihívások felmerülnek.
Adam szerint ez az irányzat lehetővé tenné, hogy az emberek sokkal nagyobb befolyással legyenek az ügynökök tanulására és munkájára: „Humans can be in a much more leveraged position, where they can think about how to do research and optimize the research itself instead of actually doing the research.”
A Third Moment megközelítése a skálázható, zárt környezetben futó önjavító ügynökökre példát adhat arra, hogyan lehet vállalati munkafolyamatokhoz igazítani az AI‑ügynököket, miközben párhuzamosan kezelik a biztonsági kockázatokat és a költség‑haszon döntéseket.
