OpenAI在2026年10月14日正式发布了一篇看似标志性的客户案例，量化研究机构Third Moment Research借助其前沿模型体系，实现了10,000个Agent并发运行并连续执行36至48小时的复杂计算。在这份案例中，由Codex与GPT-6家族驱动的多智能体系统不仅改写了自身运行环境，还把美股逐笔订单级的策略回测耗时缩短了约97%。
表面上看，这是自主科研与长程智能体的一场大捷。但在炫目的规模数字背后，这家机构单日消耗的OpenAI Token总量达到了整整1万亿。把目光从技术公关稿移开，就会发现这场长达数十小时的长跑，与其说是模型获得了自主科研的顿悟，不如说是一场依靠沉重外壳兜底、伴随巨大算力消耗的暴力试错工程。
97%回测提速：长程长跑里的代码重构而非金融质变
在Third Moment搭建的这套系统里，最亮眼的硬核成果是工程瓶颈的突破。在量化金融场景下，Agent需要在包含TB级数据、文档和GPU训练模块的Docker环境内持续探索。此前基于GPT-5.6的模型遇到了严重阻塞，回测一年的美股逐笔订单需要耗费数小时，导致等待结果的智能体陷入死循环般的频繁轮询，用毫无意义的状态检查占满上下文窗口。
Codex通过分析数千条执行轨迹日志与底层代码，自主发现了缓存优化点并重构了内存打包方案，直接将回测耗时从约3小时降至3-5分钟。这一改动让Token的浪费现象大幅减轻，为智能体留出了继续探索的上下文预算。
然而，必须清醒区分工程优化与Alpha挖掘的区别。把回测代码从3小时优化到3分钟，是标准且高确定性的软件性能工程。原文浓墨重彩提及智能体自主发现了暗盘交易对交易所成交量的异常影响，却回避了所有量化对冲基金最核心的生命线：模型并没有展示任何样本外回测数据，也没有公布过拟合控制协议，更谈不上实盘收益。在海量历史数据里任由万级Agent肆意回测，极易演变为一场昂贵的数据挖掘与伪规律过拟合。
- 风险.缺乏严格样本外约束的多智能体暴力搜索，极易把历史噪音当成盈利信号，算力消耗与超额收益难以划上等号。
双层监控与模型矩阵：智能体能够跑满48小时的真正底牌
智能体能够维持36至48小时不掉线，关键在于一套分层的外挂控制系统。Third Moment并没有直接让单个大模型孤军奋战，而是让GPT-6 Sol或GPT-6.1 Sol充当外层监控外壳，内层则是运行在容器环境中的Codex子智能体。一旦内层Agent任务停滞或逻辑中断，外层监控便会介入评估，决定重试、终止还是交由人工处理。
这种精细的分工在GPT-6家族的调用格局中尤为明显。根据披露信息，不同定位的模型承担了完全不同的经济学账本：
| 模型代号 | 核心分工与运行角色 | 架构定位与资源特征 |
|---|---|---|
| GPT-6.1 Sol | 系统主力模型，承载绝大部分日常交互与长程追踪 | Token效率最高，兼顾推理与成本控制 |
| GPT-6 Astra | 复杂深度推理、代码性能优化与疑难问题突破 | 计算提速显著，消耗最高，定位高价值探索 |
| GPT-5.6 Terra | 针对性环境检查与漏洞排查 | 轻量高效，适合确定性强的定点扫描 |
| GPT-6 Luna | 处于早期测试阶段的实验模型 | 前沿能力验证，未全面铺开 |
系统引入Daybreak平台进行网络越狱和渗透测试，同样反映出开发团队对万级Agent脱轨失控的深深忌惮。智能体不迷失方向，靠的不是内部推理的圣人自律，而是极其沉重的规则枷锁与人工兜底。
万亿Token算力黑洞与长程神话的现实裂痕
OpenAI与合作方将这套系统描绘为通往下一代科研的范式，但学术界与同行的实测数据却揭示了截然不同的底色。学术界在180种配置测试中发现，多智能体协同在顺序推理任务上的表现反而下降39%至70%。智能体之间并不必然产生思想火花，反而极易陷入彼此误导与推理退化的泥潭。
决定智能体实用价值的是确定性任务完成率，而非消耗海量算力的长跑时长。
评测机构METR在2026年1月就曾一针见血地指出，衡量Agent能力的时间跨度指标，必须锚定在特定成功率下的等效人类工作量。长达几十小时的连续运行绝对值，根本不能与高可靠性的任务自主交付画等号。
Anthropic此前的测试也从财务层面撕开了多智能体的昂贵假面。在针对长程应用的框架测试中，单个Agent完成复杂任务仅花费9美元，而多Agent协作体系在6小时内耗费了整整200美元；在另一项编译器实验中，16个Claude Code智能体在近2000次会话中迅速烧掉了约20,000美元。
- 结论.对于企业技术决策者而言，堆砌万级并发长程智能体更像是云厂商与模型提供商拉动Token消费的定制方案，现阶段最务实的落地路径，依然是收缩智能体作用域，用强确定性逻辑压低多智能体试错带来的巨额算力损耗。