你让一个人做三分钟的题，主要看他聪不聪明；让一万个人连续工作两天，问题就完全不同了：谁先做、谁能用哪台机器、有人卡住怎么办、账单会不会失控。Third Moment Research 展示的正是后一个问题。据 OpenAI 报道，这家 AI 实验室的系统可同时运行 1 万个 Agent——能规划并调用工具完成任务的 AI 程序——每次自主研究会话持续 36 至 48 小时，单日使用量达到 1 万亿个 OpenAI Token。Token 是模型处理文字时使用的基本计量单位。
这组数字目前都来自 OpenAI 的客户案例，没有第三方验证。它能证明一套万级 Agent 系统被运行过，但不能直接证明一万只 Agent 在全部时段都持续、有效地工作。
难点不是多开一万个聊天窗口
本刊 10 月 14 日介绍 Gemini 4 Argon 时，关注点还是单个模型能否可靠完成一段长工作：先规划，再调用工具，并根据结果不断修正。Third Moment 把观察尺度扩大了。单个 Agent 工作数天已经需要外部记录、检查点和调度系统；数量升到一万，算力分配、任务排队、工具调用和故障隔离都会成为瓶颈。
据 OpenAI 介绍，这套系统使用 GPT-6 Astra、GPT-6 Sol 和 GPT-6.1 Sol 负责推理，并借助 Codex 工具框架制定计划、调用工具、生成子 Agent，以及压缩上下文。上下文压缩，就是把很长的工作过程提炼成较短记录，让 Agent 不必每次重读全部历史。它能节省输入空间和成本，也可能漏掉后来需要的细节。
系统还在 Codex 外面加了一层调度。内层 Agent 留下未完成的运行轨迹后，外层系统会检查过程，再决定重试、终止，还是交给真人处理。说白了，让一群 AI 连续工作两天，关键不只是给它们更长的提示词，还要安排“监工”判断谁已经掉链子。
机器也会把时间浪费在“好了吗”上
OpenAI 披露的量化研究案例很能说明问题。Agent 要用历史市场数据做回测，也就是把交易策略放到过去的数据中检验。原本，一年订单级美股数据的回测约需 3 小时。等待期间，Agent 会反复轮询任务是否完成，不仅消耗 Token，也不断把状态查询塞进上下文。
Codex 检查数千条运行轨迹和代码后，找到缓存与内存组织方面的优化，把回测时间压到约 3 至 5 分钟。OpenAI 据此给出约 97% 的耗时降幅。这里最值得注意的不是 Agent 写出了一段更快的代码，而是长时间运行会放大一种很普通的浪费：任务本身很慢，等待者还不停追问进度。系统规模越大，这类小摩擦越可能变成主要成本。
安全也要提前进入调度表
一万只 Agent 被放进装有金融数据和代码的隔离环境后，团队还要确认它们不能接触不该访问的外部网络。据 OpenAI 介绍，Third Moment 使用面向网络安全的 Daybreak，在模拟启动前测试研究 Agent 能否逃离隔离环境。于是系统里出现了两类 AI：一批做研究，另一批尝试攻破关住前者的围墙。
这也是万级 Agent 值得关注的原因。行业焦点正在从“模型能答对一道题吗”，转向“许多 Agent 能否在共享资源、持续失败和安全边界中稳定工作”。模型能力仍然重要，但调度、恢复、上下文管理和成本控制开始决定它能否真正进入长流程。
局限与未知
- 公开材料没有说明“同时运行”的具体口径，也未披露总体任务完成率、人工干预程度、单次运行成本、计算资源或长期故障统计。
- “持续专注数天”和“随着使用而改进”都是 OpenAI 原文中的概括性表述，没有量化指标。后者也未说明究竟来自在线学习、记忆积累、工具配置优化，还是人工迭代。
- GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol 与 Daybreak 的产品性质、版本状态和可用范围，仅见于这份官方案例，不能据此推定它们已普遍开放或得到独立验证。