AI代理自主优化回测，把3小时缩至3分钟

美国公司Third Moment Research正在用OpenAI最新模型构建一套自我改进系统。做法是让模型理解代理的行为，找出反复出现的弱点，再自动生成数千个合成场景，针对这些弱点训练。系统能同时跑1万个代理，一次调查持续36到48小时。

推理由OpenAI的GPT-6 Astra、GPT-6 Sol和GPT-6.1 Sol完成。Codex工具框架给代理行动能力：制定计划、设定目标、生成子代理、压缩上下文。Codex本身也作为子代理运行——任务没完成时，由GPT-6 Sol或GPT-6.1 Sol驱动外层框架检查整个执行轨迹，决定重试、终止，还是升级给人工审查。

这套系统最早的落地场景是量化金融，原因很直接：金融市场有明确的成功衡量标准。每个代理会拿到1TB数据、文档和一个研究仓库，里面装了特征工程、GPU模型训练、交易策略和模拟模块。代理的任务是改进Third Moment工程师写的基线交易系统。它们在历史数据上测试策略，判断某个改进是真实信号还是噪声，再用每次结果决定下一个实验。Third Moment的Adam说，代理的工作已经改进了这个基线系统。

实际运行中，代理想办法优化了自己的工作流程。Codex发现一个瓶颈：在一年份的美股订单明细数据上回测交易策略，要花几个小时。代理等待时反复查询完成状态，白白浪费token（AI处理文本的基本单位），还塞满了上下文。Codex找到缓存优化和内存打包方案，自己实验、自己部署，把回测从大约3小时压缩到大约3到5分钟。省下来的token预算，被投进更多实验里。

代理的自主程度是在一代代模型更迭中逐步提高的。GPT-5.5之前，模型只能执行人规定的实验。到了5.5和5.6，配合Codex工具框架，模型能基于结果设计后续实验。GPT-6这一代，代理能并行跑几百个实验和子代理，自己调查问题根因。GPT-6.1 Sol能在单次会话中跨数天计算保持研究思路连贯，不丢上下文。在一次会话里，它识别出非显示交易对某个交易所的影响。非显示交易不进入公开订单簿，这类成交占成交量的比例出乎意料地大。Adam说，这是研究团队最初没想到的结果。代理的发现有没有经过人工复核，Third Moment没有明确说明。

模型选择有明显的取舍。GPT-6.1 Sol是主力：token效率最高，用最少的token完成任务，性能接近GPT-6 Astra。团队会测试各前沿版本的最高推理设置，看它们能否导航仓库、写高效代码、持续追踪调查。当前测试还包括GPT-6 Luna。一个基准测试要求代理在保持输出效果的同时，降低实时记分牌服务的更新延迟。结果里，GPT-6 Astra拿到了最大速度提升。定向任务——比如检查模拟系统中的特定安全弱点——则用GPT-5.6 Terra，它更高效。

这套系统的运行开销没有公开数字，但从1万个代理、1TB数据、几十小时连续运行来看，成本不会低。在量化金融领域，Third Moment认为一个有趣信号的价值极高，为更强的推理能力付更高成本，是划算的。

安全上，Third Moment用Daybreak做自动化测试，让代理自己给模拟系统做渗透测试，看看它能否逃出研究环境、连到更广的网络。Adam说，没有Daybreak，这种规模的自主测试做不了。

Third Moment计划把这类系统推进到日常专业工作。设想里的应用不少。零售商可以拿它做供应链决策，比如库存短缺或供应商延迟的时候。工程团队可以拿它在大代码库里找性能瓶颈。文档密集的业务，可以核对一份文档里的承诺和另一份文档里记录的结果是否匹配。

路线图从单个调查开始，先扩展到数十万个协作子代理。数万亿个令牌支撑起几十个相互依赖的实验链条。新挑战出现时，再用积累的研究结果自主改进代理。Adam认为，人类接下来站的位置会更有杠杆：思考怎么做研究、怎么优化研究本身，而不是亲自上手做研究。