新智元报道 就在刚刚，OpenAI晒出了一份打破纪录的Agent极限实测。 10,000个Agent同时进场，不眠不休连跑36到48个小时，每天吞掉1万亿Token！ 单跑一轮任务，就相当于 一口气干完人类工程师41年的工作量 。 没人教它们怎么改系统底层，这群Agent嫌华尔街量化回测太慢， 自己钻进代码库重写引擎，把耗时砍掉了97% 。 它们甚至自己拉起几百组并行实验，从海量交易流水里抓出了人类研究员都没注意到的交易所「暗池」异动。 嫌系统太慢，AI自己重写了底层引擎 把这上万个Agent放进真实环境跑两天两夜的，是一家横跨旧金山和纽约的初创公司Third Moment Research，他们选的第一块试验田是量化金融。 长程任务最怕走出去十几步，还不知道自己是对是错。 量化交易恰好没有这个问题，策略每次跑完历史回测，到底是真赚到了钱，还是只拟合了一团噪音，看一眼账面数字就清清楚楚。 团队在Docker隔离容器里装好了1TB的历史行情数据、技术文档和整套量化代码库。 起初，他们让Codex配合GPT-5.6去查几千条运行轨迹和时间戳，结果发现拿1年的美股逐笔订单数据回测一个策略，每次都要干等3个小时。 对长程Agent来说， 上下文是最金贵的资源 。 在漫长的等待里，Agent每隔一会儿就去轮询一句「跑完了没」，每次状态检查都会留在上下文窗口里，把前面几十步真正有用的实验记录挤到边缘，越等越容易跑偏。 找到这个卡点后，Codex没有等人类工程师排期，自己顺着代码库找出了两处底层瓶颈。 它动手写好缓存优化和内存紧凑打包方案，跑通测试后直接推上生产环境， 把单次回测时间压到了3至5分钟 ，也保住了一块干净的上下文窗口。 回测速度提上来之后，OpenAI几代模型在长程任务上的差距也显露出来。 GPT-5.5之前 ：模型只会按人类写好的脚本一步步执行； GPT-5.5与GPT-5.6（搭配Codex） ：能看着初步结果，自己设计下一轮实验； GPT-6 Astra、GPT-6 Sol与GPT-6.1 Sol ：主Agent一旦发现异常信号，会当场拉起成百上千个子Agent并行跑对照实验。 在一次真实回测里， GPT-6.1 Sol顺着数据一路追查，发现某家交易所的非公开展示交易占到了很高的成交比例 。 它随即算清了这部分「暗池」流动性对策略收益的影响，而人类量化团队此前根本没往这个方向想过。 GPT-6.1当监工，专治半路躺平 长程Agent最常见的死法有两种，一种是 干到一半觉得「差不多行了」提前交卷 ，另一种是 在死胡同里原地打转 。 当内层Agent停下来的那一刻，它往往已经被自己之前的上下文困住了，靠自我反思根本跳不出怪圈。 为了解决这个问题，Third Moment把容器里干活的Codex当成被监管的子模块， 在容器外层专门套上了一个由GPT-6 Sol或GPT-6.1 Sol驱动的监管模型 。 只要内层Codex停下来，外层模型就会站在局外视角审视整条轨迹，判断它到底是撞上了环境Bug、钻进了死胡同，还是遇到了需要拍板的难题，当场做出打回重试、终止任务或上报人类的决定。 这样一来，人类研究员不用再盯着上万个终端，只需要处理外层模型交上来的极少数疑难问题。 要同时跑起1万个Agent，除了靠双层架构管住方向，还得解决Token成本和长程耐力的问题。 为此，团队把几天前刚发布的GPT-6.1 Sol推上了主力位置。它的定价只有旗舰GPT-6 Astra的五分之一， 能用最少的Token完成任务，同时交出接近Astra的性能 。 单次任务省下一点Token看着不起眼， 一旦乘上万级 并发 和几十个小时的连续运转，省下的成本就决定了同样预算能多跑几轮实验 。 而且在长程耐力上， GPT-6.1 Sol在单次会话里能连着几天守住同一条研究主线，一直不会跑丢 。 至于推理能力最强的旗舰GPT-6 Astra，团队则留着攻克最难的工程优化，比如在不改变输出的前提下压低实时计分板服务的更新延迟，在同款硬件上和人类专家手写的方案比拼性能。 除了双层监管，整套系统还会通过四步循环持续迭代： 采集轨迹 ：记录上万个Agent在沙箱里的完整运行步骤与报错； 聚类诊断 ：由轻量模型 GPT-6 Luna 构建相似度矩阵，把重复出现的报错归类； 合成沙箱 ：由 GPT-6.1 Sol 围绕薄弱环节，自动生成数千个合成仿真环境； 升级脚手架 ：让 Codex 在仿真环境里反复测试，自动迭代工具与编排逻辑。 在联合创始人Adam Khakhar看来，这套机制彻底改变了过去「部署一个静态Agent、然后祈祷它别崩」的做法： 每一次循环都会造出一个比出发时更强的系统。系统会自己找出败在哪里，围绕这些失败构建定向仿真，并为下一轮运行升级脚手架。 上万个拥有