“一万名智能体同时工作”容易成为新闻标题，但真正改变成本的，可能是一次回测从约三小时缩短到三至五分钟。OpenAI在10月14日发布的Third Moment Research案例，介绍这家初创公司如何用模型与Codex运行持续36至48小时的研究任务。文章披露了规模、一个具体性能优化，以及未来扩展设想；这些并不等于外部独立审计已证明其所有智能体都能自主产生可靠研究结论。把它看作一份厂商与客户共同呈现的工程案例，既能读出新进展，也能保留必要的怀疑。

Third Moment的目标是打造会从工作轨迹中学习的系统：记录智能体做过的动作、遇到的弱点，再自动构造大量合成场景，重新测试与改进。OpenAI称，GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol以及Codex参与支撑这套研究和计算；该公司在一次长达36至48小时的调查中可并发运行一万个智能体。这个数字说明实验规模，却不能单独回答成功率、人工审核量和每次运行的总成本。用“上万智能体”取代项目评价指标，反而会遮住最有价值的细节。

工程瓶颈不是模型不会想，而是系统老在等

案例中最具体的部分来自量化研究回测。Third Moment的一项应用使用美国股票订单级数据，原先回测一年策略需要数小时；等待期间，智能体不断查询作业是否完成，重复消耗令牌，也让工作上下文塞满没有分析价值的状态信息。Codex据称检查了大量模拟轨迹、时间戳和代码库，定位到缓存与内存打包机会。实施优化后，一次回测由约三小时降至约三至五分钟。页面将其概括为回测时间下降97%，但读者应记得这是一项特定工作负载的案例数字，而不是所有量化系统或所有公司都能得到的平均收益。

为什么这种节省会影响智能体系统？传统软件遇到慢查询，会让人等待；长时运行智能体遇到慢查询，则可能在等待中持续发起工具调用，反复读取同一个状态，甚至在上下文里积累错误推断。回测越快，同样预算内能检验的假设越多，研究链条也越不容易被无效等待打断。这里的技术重点不是让语言模型“凭直觉”代替回测，而是用它理解实验流程，再通过普通工程优化改善可验证环节。

当然，缓存也可能引入新的风险。如果历史数据更新、模型参数改变或回测逻辑修正后没有正确失效，速度提升可能伴随过期结果。案例没有公开完整基准测试、缓存失效规则或独立复现实验。因此最稳妥的表述是：OpenAI披露Third Moment在一个内部场景取得显著提速；机构若照搬做法，应先固定数据版本、结果校验与回滚条件。速度数字漂亮，策略是否真的稳健仍须另外证明。

智能体越多，审计责任越不能被稀释

OpenAI还写到，这些智能体会持续数十小时，并使用Daybreak测试运行环境安全。长期运行的系统不仅有模型错误，还面临工具权限、数据泄露、相互干扰和任务目标漂移。规模从十个到一万个时，单个智能体的小概率误操作会变成频繁发生的运维事件。评估这种系统，应问清楚每一类智能体可以访问什么、能否提交代码或资金指令、谁审批不可逆动作，以及失败如何定位到具体轨迹。

案例提到一天消耗一万亿OpenAI令牌。这个数量属于该客户案例披露，不应被解释为行业常态，更不能直接折算为盈利能力。令牌只是投入；真正值得核算的是每个通过人工复核的研究结论花了多少成本、节约了多少专业人员时间、错误结果造成了什么损失。某些任务适合高度并行的搜索与试验，另一些任务则被数据质量、监管或人类判断所限制，不会因为并发提高而自动完成。

Third Moment计划未来走向数十万协作子智能体，处理更长的依赖实验链。这是一项路线图，不是此次发布已经落地的生产规模。与其猜测下一轮数字，不如关注三个可验证指标：同一任务在旧新流程下的成功率是否改善，工程加速能否跨不同数据集重现，以及人工审核能否跟上产出速度。如果没有这些对照，“自我改进”很容易只剩系统自己给自己打分。

对企业读者，这个案例提供了一个实在的启示：部署智能体之前，先找出工作流中最贵的等待、重复读取和数据搬运。修正这些问题后，模型才有更多预算用在有价值的判断上。OpenAI展示的是一家客户的可观察做法与声明，尚不是通用方案的验收报告。一万名智能体能否真正提高研究质量，答案最终不在并发数字里，而在可复现的结果、明确的责任链和退出机制里。

还有一个容易被忽略的边界：量化研究中的回测提速，不等于投资策略回报改善。更快的实验甚至可能诱使团队重复试验直到出现看似优异、实则过拟合的结果。若要把这套流程用于真实资金，仍应将样本外验证、交易费用、市场冲击和风险限制纳入评估，并明确何时由人决定停止实验。工程效率可以提高研究吞吐量，但不能替研究者承担判断责任。