Third Moment Research 让1万个智能体连续运行36小时以上

据 OpenAI 官方资讯介绍，AI 实验室 Third Moment Research 近期披露了一项大规模智能体实践：他们让约一万个 AI 智能体同时运行，单次连续工作时间超过36小时。支撑这套系统的是 OpenAI 的一组模型与工具，包括 GPT-6 Astra、GPT-6.1 Sol、编码智能体 Codex，以及面向网络安全场景的 Daybreak。按照介绍，这家实验室的目标并不只是跑得久，而是构建能够连续专注数天、并且在使用过程中持续改进的智能体。文章发布于2026年10月14日。需要说明的是，公开信息中没有给出具体任务类型、成功率或成本，因此“一万个”和“36小时以上”目前更像是规模与耐力的下限，而不是完整的性能评测。

这件事的意义，要放在智能体的技术瓶颈里看。过去的智能体多是几分钟到几十分钟的短任务，原因并不神秘：上下文窗口会被中间结果塞满，早期的目标和约束逐渐被稀释，一次工具调用出错就可能让后续步骤全部偏航，错误还会不断累积。要让一个智能体连续工作一两天甚至数天，至少要解决四类问题。第一是目标保持，即模型在漫长的步骤链中仍然记得最初要做什么，以及哪些事情不能做。第二是状态管理，包括把阶段性结论写入外部存储、定期压缩上下文、在中断后能够从检查点恢复。第三是自我检查，也就是让智能体在做完一段工作后用测试、对照或另一个模型来验证结果，而不是一路盲写。第四是资源与权限控制，长时间运行意味着更多的工具调用，也意味着更大的误操作面。从产品组合看，Codex 提供代码读写与执行的能力，GPT-6 Astra 与 GPT-6.1 Sol 分别承担不同层级的推理与执行，Daybreak 则把同样的长时运行方式带入网络安全这种需要持续巡检、持续响应的领域。至于“越用越好”，合理的推断是系统会把过往任务中的经验、失败记录和有效做法沉淀下来，供后续智能体复用。具体机制文中没有细说，这一点应保持审慎。

对行业而言，这类实践会改变几条竞争线。首先是衡量标准的转移。过去大家比的是单次回答的质量和基准分数，现在更重要的是一个智能体能无人值守地跑多久、跑完之后还有多少结果可信。时长和规模成为新的工程指标，评测也必须从“答对一道题”变成“完成一个项目”。其次是编码智能体市场。Codex 这类工具如果能稳定地处理跨天任务，软件团队就可以把大型迁移、测试补全、依赖升级这类枯燥而耗时的工作交出去，工程师的角色更接近审阅者与调度者。再次是网络安全。攻防双方都在使用自动化，Daybreak 这样的专用产品说明，安全运营中心里持续监控、分诊和初步处置，正在成为长时智能体的天然场景。最后是对基础设施的压力。一万个智能体同时长时间运行，对推理算力、调度系统、日志与审计能力的要求都很高，这会让云厂商和模型提供方在可靠性与成本上拉开差距。对中小团队来说，门槛也在变化：能否用得起长时运行的智能体，取决于单位任务成本是否低于人工，而不只是模型本身够不够强。

接下来值得观察的信号有几项。第一，是否会出现可复现的公开数据，例如任务完成率、人工介入次数、单任务成本，以及长时运行中的错误累积曲线。没有这些数字，规模故事很难转化为采购决策。第二，是权限与安全治理。智能体连续运行数天，意味着它可能长期持有代码仓库、服务器或安全系统的访问权，如何做最小授权、操作留痕和异常熔断，会决定企业敢不敢放手。第三，是“越用越好”的真实边界，也就是经验沉淀是否会带来偏差固化，或把一次错误当作规律反复使用。第四，是生态层面的跟进：其他模型厂商与智能体平台是否会提出类似的长时运行指标，行业是否会形成共同的评测方法。总体来看，Third Moment Research 的案例说明，智能体的竞争重点正在从会不会做，转向能不能长期稳定、安全、低成本地做。接下来几个季度，谁先把这种能力变成可审计、可计价的产品，谁就更可能占据企业市场的主导位置。