OpenAI这次晒的不是跑分：1万个Agent连跑36小时，吞掉1万亿Token

万人Agent连跑两天，OpenAI这次实测值不值得当回事

OpenAI刚放出来一份Agent极限实测，主角是旧金山和纽约两头跑的初创公司Third Moment Research。1万个Agent同时进场，不眠不休连跑36到48小时，每天吞掉1万亿Token，单跑一轮任务相当于一口气干完人类工程师41年的工作量。这数字浮夸到像PR稿里的营销词，但材料里写的几个细节，反而让我觉得这测试有真东西。

先说最抓眼的一条：这群Agent嫌华尔街的量化回测太慢，自己钻进代码库重写引擎，把单次耗时砍掉了97%。团队起初拿1年美股逐笔订单数据回测一个策略，每次要干等3个小时，对长程Agent来说这几乎是死局——上下文是最金贵的资源，等的时候Agent每隔一会儿就轮询一句「跑完了没」，每次状态检查都留在上下文里，把前面几十步真正有用的实验记录挤到边上，越等越容易跑偏。Codex没等人类工程师排期，自己顺着代码库找出两处底层瓶颈，写好缓存优化和内存紧凑打包，跑通测试后直接推上生产，把单次回测压到3到5分钟。

比这些数字更值得琢磨的是架构。Third Moment用的是双层结构：容器里干活的Codex是被监管的子模块，容器外层再套一个由GPT-6 Sol或GPT-6.1 Sol驱动的监管模型。长程Agent最常见的死法两种，干到一半觉得「差不多行了」提前交卷，或者在死胡同里原地打转。内层Agent停下来的那一刻，往往已经被自己的上下文困住，靠自我反思跳不出怪圈。外层模型站在局外视角审视整条轨迹，判断它是撞上环境Bug、钻进死胡同，还是遇到需要拍板的难题，当场决定打回重试、终止还是上报人类。人类研究员不用再盯上万个终端，只处理外层模型交上来的极少数疑难。

几代模型在长程任务上的差距也在这轮显出来。GPT-5.5之前只会按人类写好的脚本一步步执行；GPT-5.5和GPT-5.6搭配Codex，能看着初步结果自己设计下一轮实验；到GPT-6 Astra、GPT-6 Sol和GPT-6.1 Sol，主Agent一旦发现异常信号，会当场拉起成百上千个子Agent并行跑对照实验。一个真实回测里，GPT-6.1 Sol顺着数据追查，发现某家交易所非公开展示的交易占到很高成交比例，算清了这部分「暗池」流动性对策略收益的影响——人类量化团队此前根本没往这个方向想。

成本上也有讲究。要跑1万个Agent，光靠架构管住方向不够，还得解决Token账单和长程耐力。团队把刚发布的GPT-6.1 Sol推上主力位置，定价只有旗舰GPT-6 Astra的五分之一，用最少的Token交出接近Astra的性能。单次任务省一点看着不起眼，一旦乘上万级并发和几十个小时连续运转，省下的成本就决定同样预算能多跑几轮实验。推理最强的Astra则留着攻坚最难的部分，比如压低实时计分板服务的更新延迟。整套系统还有四步循环持续迭代：采集轨迹、让轻量模型GPT-6 Luna聚类诊断报错、让GPT-6.1 Sol生成数千个合成仿真环境、再让Codex在里面反复测试升级脚手架。

为什么偏偏选量化和网安，背后是一笔人算出来的账。联合创始人Adam Khakhar（宾大本科、纽大博士，此前做过被Hebbia收购的FlashDocs）算了笔账：绝大多数白领工作头顶有价格天花板，律所审一份10页合同收2000美元，哪怕AI比人聪明100倍，客户也不会掏200万美元。商业世界里只有两个零和领域没有价格天花板，一个是投资管理，一个是网络安全。如果市场藏着一个价值4000万美元的信号，哪怕烧掉3900万美元算力，只要比对手早一秒算出来照样净赚100万。用他的比喻说，普通行业买AI像买办公桌椅，够用便宜就行；唯有量化和网安对算力的需求，像水下憋气的人渴望氧气，没有上限。

还有个不能忽略的问题：上万个有写代码权限的Agent跑两天两夜，怎么保证它们不写脚本突破沙箱。Third Moment接入了OpenAI的网络安全模型Daybreak和GPT-5.6 Terra，Daybreak分防守端的Blue和专攻授权渗透测试、需单独审批并绑硬件密钥的Red。每次大规模仿真启动前，先用Daybreak驱动红队Agent对自家沙箱发起全自动渗透测试排查漏洞。

OpenAI在博客里说，下一步要把并发规模推向数十万个协同工作的子Agent集群。到那时单次任务消耗36万个Agent工时，传统软件按席位收费的模式已经没意义，大模型的比拼也从单纯卷权重，延伸到了谁能管住十万个Agent不跑偏、不越界，并在失败里自动迭代。至于这套双层监管会不会真成了长程Agent的标配，还得看后续有没有人把同样的架构搬到非零和场景里跑通——毕竟预算无上限的行业，全地球加起来也就这两三个。