Third Moment Research 让上万个智能体连续运行 36 小时以上

据 OpenAI 发布的案例介绍,AI 实验室 Third Moment Research 正在用 OpenAI 的模型与工具,搭建能够长时间连续工作的智能体系统。文章标题给出的核心数字是:上万个智能体同时运行,持续时间超过 36 小时。支撑这套系统的组件包括 GPT-6 Astra、GPT-6.1 Sol 两个模型,代码智能体 Codex,以及面向网络安全场景的 Daybreak。该实验室的目标很明确:让智能体可以连续专注数天,并且在使用中不断改进,而不是每次任务结束就归零。需要说明的是,公开资料没有披露每个智能体的具体分工、任务类型、成本或成功率,所以下文的分析建立在已知事实与行业通行做法之上,不代表该团队的内部细节。

要理解这件事的分量,先要看长时间运行的智能体难在哪里。多数智能体产品的典型工作方式是几分钟到几十分钟的单次任务,模型在一个上下文窗口内完成规划、调用工具、给出结果。一旦把时间拉长到数十小时甚至数天,问题就完全不同了。第一是上下文漂移:任务越长,早期目标和约束越容易被后来的信息稀释,智能体可能悄悄偏离原本的方向。第二是错误累积:每一步都有一定出错概率,链条越长,整体可靠性衰减越快,必须有检查点、回滚与自我校验机制。第三是状态管理:长任务不可能把所有历史塞进一次对话,必须依靠外部记忆、任务日志和文件系统保存进度,让智能体中断后能从上次的位置接着做。第四是资源调度:上万个智能体并行,意味着大量并发的模型调用、工具执行和沙箱环境,任何一个环节的限流或故障都会波及整体。能跑满 36 小时以上,至少说明这套编排和容错层已经达到了一定的工程成熟度。所谓越用越强,通常指把过往运行中积累的经验沉淀为可复用的记忆、技能或评估数据,让后续智能体少走弯路。这更像系统层面的学习,而不一定是模型权重本身在变化。

从组合来看,这个案例也反映出一种分工思路。大模型负责推理和决策,Codex 这类代码智能体负责把决策落实为可执行的程序、脚本和自动化流程,Daybreak 则把能力引向网络安全这一高价值、高风险的方向。网络安全恰好是长时间智能体的天然试验场:漏洞排查、日志分析、攻防演练都需要耐心、重复和大范围覆盖,人力成本高,而机器可以不眠不休地铺开。同时,这类场景对可控性要求极高,智能体的每一步操作都应当可审计、可限制范围,否则能力越强,风险越大。对行业而言,这会带来几层影响。首先,对开发者和企业用户,评价智能体的标准将从单次回答的质量,转向连续作业的稳定性、可恢复性和单位成本。其次,对其他模型与智能体厂商,长时程任务会成为新的比拼维度,仅靠基准测试的分数很难体现差异,谁能把复杂任务持续做完,谁才有说服力。再次,对安全行业,攻防两端都会受到冲击:防守方可以用智能体做大规模巡检,攻击方同样可能借助类似能力提高效率,这使得访问控制、使用审查和负责任发布变得更加重要。

接下来值得关注几个信号。其一,OpenAI 是否会把这类长时程、大规模编排的能力产品化,例如提供更完善的任务队列、记忆存储、检查点和监控接口,让更多团队不必自己从零搭建。其二,成本数据是否会被公开:上万个智能体连续运行 36 小时,背后是可观的算力开销,只有单位任务成本降到可接受的范围,这种模式才能从实验室走向普通企业。其三,评估方法会如何演进,业界需要能衡量数天尺度任务完成度的新基准,以及判断智能体是否真正在改进的可靠办法。其四,治理与合规层面,尤其是 Daybreak 这类安全方向的工具,会采用怎样的授权、审计和滥用防范机制,值得持续观察。总体来看,这个案例传达的方向很清楚:智能体的竞争正在从会不会回答,转向能不能长期、可靠、安全地把事情做完。但在更多细节公开之前,仍应保持审慎,不宜把一个案例的表现直接推广为行业的普遍水平。