Third Moment Research 讓 1 萬個 AI 智慧體連續運行 36 小時以上

2026 年 10 月 14 日，OpenAI 在官方站点发布了一篇客户案例，介绍 AI 实验室 Third Moment Research 的做法。据文章披露，这家实验室让一万个 AI 智能体同时运行，并且连续工作超过 36 小时。它的构建基础包括 GPT-6 Astra、GPT-6.1 Sol、Codex，以及面向网络安全场景的 Daybreak。实验室给自己定下的目标很明确：做出能够连续专注数天、并且在使用过程中不断变好的智能体。需要先说明一点，这是厂商发布的客户案例，叙述角度偏向展示成果。具体任务类型、成功率和成本构成，应以原文和后续公开资料为准，本文只在已知事实的基础上做分析，不替它补充未披露的数据。

这件事值得关注，是因为长时间运行与短对话是两种完全不同的工程问题。智能体跑得越久，上下文就越容易膨胀和漂移，早期的小错误会被后续步骤不断放大，工具调用也总会遇到超时、接口变更和环境异常。要让它们撑过一整天甚至数天，通常需要几类机制配合：把中间状态写入外部存储，设置检查点，让任务失败后能从断点恢复；对上下文做压缩和摘要，避免关键目标被冲淡；再加上自动重试和自检，在偏离方向时及时纠正。至于「在使用中不断改进」，更可能指的是把运行轨迹沉淀为经验、技能或记忆，再反馈到后续任务中，而不一定是重新训练模型权重。这一点原文细节未知，读者不宜过度想象。从工具组合看，Codex 擅长在沙箱里读写代码、执行命令，适合充当智能体的执行层。GPT-6 Astra 与 GPT-6.1 Sol 在其中如何分工，案例摘要没有说明，合理的推测是一类负责规划与判断，另一类负责高频执行，但这只是推测。Daybreak 指向网络安全，而安全攻防恰恰是天然的长时任务：漏洞排查、日志研判、持续监测都需要反复试探和长期跟踪。同时它也要求严格的权限边界和审计，因为一万个自主运行的智能体一旦越权，后果远比一次错误回答严重。

对行业而言，一万个并发、三十多个小时的规模，把竞争焦点从单次基准分数推向了工程化能力。过去比较模型，看的是一次回答对不对；现在要看的是，在无人值守的情况下，系统能否持续产出有用结果，每个有效产出要花多少算力，需要人工介入的频率有多高。这会直接影响智能体平台厂商，它们必须在调度、限流、观测和成本控制上补课。万级并发意味着对接口配额和推理成本极其敏感，谁能把单位任务成本压下来，谁就更容易把长时智能体做成可销售的服务。对安全行业来说，这类能力既是机会也是压力：防守方可以用智能体做规模化的漏洞发现与响应，攻击方同样可能借鉴类似的自动化思路，因此访问控制与滥用监测会变得更重要。对开发者和企业用户而言，采购关注点会从「模型有多聪明」转向「系统是否可审计、可回滚、出错时能否及时止损」。其他主流模型厂商也在推进各自的智能体与编码工具，这类公开案例会抬高市场对长时稳定性的预期，迫使竞争对手拿出同等量级的实证，而不只是演示视频。

接下来有几个信号值得持续观察。第一，Third Moment Research 是否会披露更细的指标，例如任务完成率、人工介入次数、单任务成本，以及运行时长能否从三十多个小时延伸到真正的多日级别。没有这些数据，「一万个」和「数天」更多还是规模与愿景的描述。第二，所谓「越用越好」的机制是否经得起检验：经验沉淀会不会引入错误固化，不同智能体之间的经验如何隔离或共享，这些都关系到可靠性。第三，在网络安全等高风险场景里，权限分级、沙箱隔离和行为审计会不会成为标配，监管机构又会如何看待长期自主运行的系统。第四，同类方案是否出现可比较的公开评测，让行业有统一口径衡量长时智能体。如果这些环节逐步补齐，长时智能体有望从实验室里的展示走向企业日常流程；反之，成本和风险控制不到位，规模再大也难以转化为稳定的商业价值。