Third Moment Research 讓 1 萬個 AI 智慧體連跑 36 小時

OpenAI 在官方站点发布了一则客户案例：人工智能实验室 Third Moment Research 使用 GPT-6 Astra、GPT-6.1 Sol、Codex，以及面向网络安全场景的 Daybreak，构建可以连续专注数天、并且越用越好的智能体。案例标题给出了最醒目的两个数字：一万个智能体，连续运行超过三十六小时。发布时间是 2026 年 10 月 14 日。从公开信息看，这家实验室的目标并不是做一个更会聊天的助手，而是让大量智能体在没有人逐步盯守的情况下，长时间保持任务方向，并把每一次运行中得到的经验沉淀下来，用于下一轮改进。需要说明的是，目前可见的资料没有披露这一万个智能体具体承担了什么任务、成本是多少、成功率如何，因此这个案例更适合当作一个方向性信号来读，而不是一份可以直接对标的基准测试。

要理解这件事为什么重要，先要看长时间运行的难点在哪里。一个智能体跑几分钟很容易，跑几十小时则会遇到一连串工程问题。第一是上下文漂移：任务越长，早期的目标、约束和中间结论越容易被后面的噪声淹没，模型会在不知不觉中偏离原始意图。第二是错误累积：每一步哪怕只有很小的出错概率，经过成百上千步之后也会被放大，所以需要检查点、回滚和自我校验机制。第三是状态管理：智能体必须把进度、假设和待办事项写到外部存储里，而不是只依赖模型窗口里的临时记忆，这样即使某个进程中断，也能从断点继续。第四是资源与调度：一万个并行实例意味着大量的模型调用、工具调用和沙箱环境，需要队列、限流和失败重试，否则系统会在某个环节被拖垮。案例里提到的 Codex 属于面向软件工程的智能体产品，擅长在代码仓库和命令行环境中读写文件、运行测试；这类能力正好是长任务所需要的外部状态和可验证反馈的来源。而所谓「在使用中不断改进」，在工程上通常意味着把运行轨迹、失败原因和成功做法回收成可复用的提示、技能或评测集，让下一批智能体站在上一批的经验上起步，而不是每次从零开始。至于 Daybreak，资料只说明它面向网络安全，我们不应在此臆测其内部实现，但可以确定的是，安全场景对长时间持续监测、反复验证和大规模并行排查有天然需求，与这种架构高度契合。

从行业角度看，这个案例反映出竞争重心的转移。过去一两年，大模型厂商比拼的是单次回答的质量和基准分数；现在，越来越多的比较维度是「能不能把一件事独立做完」，也就是任务时长、并行规模和可靠性。对 OpenAI 来说，把 Astra、Sol 两个型号与 Codex、Daybreak 两条产品线放进同一个客户故事，是在展示一套从通用模型、到工程智能体、再到垂直安全产品的组合能力，这会增强企业客户对平台一体化的信心，也对只提供单一模型接口的竞争者形成压力。对其他智能体创业公司而言，门槛正在上移：只做一层提示词封装已经不够，必须拥有调度、记忆、评测和成本控制的完整工程体系。对企业用户来说，长时间运行的智能体意味着可以把夜间批处理、代码迁移、漏洞排查、日志审计这类耗时但边界清晰的工作交出去，人只在关键节点做审批。与此同时，网络安全是一把双刃剑：同样的长时间、大规模自动化能力，既可以让防守方更快发现和修复问题，也可能被攻击方用来放大探测规模，所以面向安全的产品通常需要更严格的访问控制、使用审计和责任划分。对监管者和安全团队来说，如何确认一万个自主运行的实例没有越权、没有泄露数据，会成为部署时必须回答的问题。

接下来值得关注几个信号。第一，OpenAI 或 Third Moment Research 是否会公布更具体的细节，例如任务类型、每个智能体的平均步数、失败与重试比例、单位任务成本，以及人工介入的频率；没有这些数据，三十六小时这个数字就只能说明系统没有崩溃，还不能说明产出有多少价值。第二，「越用越好」的机制是否可以被独立复现，比如它依赖的是模型微调、外部记忆，还是评测驱动的提示迭代，不同路径对成本和可迁移性的影响差别很大。第三，行业是否会出现统一的长任务评测标准，把运行时长、恢复能力和最终正确率放在一起衡量，让不同厂商的智能体能够被公平比较。第四，安全方面的配套是否跟上，包括沙箱隔离、权限最小化、行为日志和紧急停止机制。如果这些基础设施成熟，大规模长时间智能体很可能从少数实验室的展示，变成企业软件的常规能力；如果它们滞后，部署速度就会被风险事件拖慢。无论走向哪一边，这个案例都说明，衡量智能体的尺子正在从「答得多好」变成「能独立撑多久、能积累多少」。