Third Moment Research kjører 10 000 Codex-agenter samtidig i opptil 48 timer
onsdag 14. oktober · KI-generert · Kilde: OpenAI News
Legg et ytre kontrollag rundt kodeagentene dine, slik Third Moment Research gjør med Codex, så uferdige kjøringer blir prøvd på nytt, stoppet eller sendt til et menneske.
«I én enkelt økt klarer GPT-6.1 Sol å holde en sammenhengende tråd av beregningsforskning gjennom flere dager med beregning uten å gå seg vill», sier Adam Khakhar, medgründer i Third Moment Research, i en kundehistorie OpenAI har publisert. Selskapet kjører 10 000 agenter samtidig på undersøkelser som varer i 36 til 48 timer, med Codex, GPT-6 Astra, GPT-6 Sol og GPT-6.1 Sol. Første bruksområde er kvantitativ finans, fordi suksess der har et klart mål.
Den mest overførbare lærdommen er et banalt problem. En backtest av en handelsstrategi på ett års ordrenivådata fra amerikanske aksjer tok flere timer, og mens agentene ventet, spurte de gjentatte ganger om jobben var ferdig. Det kostet tokens og fylte konteksten med statussjekker. Codex, med GPT-5.6, analyserte tusenvis av lagrede trajektorier, fant en caching-optimalisering og en teknikk for minnepakking, og kuttet backtesten fra rundt 3 timer til 3–5 minutter.
Mot agenter som gir seg før oppgaven er ferdig, behandler Third Moment Codex som en subagent inne i et ytre lag drevet av GPT-6 Sol eller GPT-6.1 Sol. Det ytre laget leser trajektorien når en oppgave står uferdig, og avgjør om jobben skal prøves på nytt, avsluttes eller sendes til menneskelig gjennomgang.
Før simuleringene starter, bruker selskapet sikkerhetsplattformen Daybreak til å teste om en agent kan bryte ut av forskningsmiljøet og nå resten av nettverket. Valget av modell styres av kostnad: «GPT-6.1 Sol er for tiden vår mest brukte modell på grunn av token-effektiviteten», sier medgründer Jeffrey Yan. Husk at dette er OpenAIs egen kundehistorie, og at resultatene ikke er uavhengig målt.
Hva bør du gjøre?
- Gi agentene en blokkerende ventekommando eller et varsel når lange jobber er ferdige, i stedet for å la dem polle og fylle konteksten med statussjekker.
- Legg et ytre kontrollag rundt kodeagenten som leser trajektorien når en oppgave står uferdig, og velger mellom nytt forsøk, avbrudd og menneskelig gjennomgang.
- Test om agenten kan bryte ut av sandkassen og nå resten av nettverket før du slipper den løs på lange kjøringer.