Third Moment coloca 10 mil agentes de IA para pesquisar por 48 horas

Codex reduz tempo de teste para cinco minutos

No setor de finanças quantitativas, a Third Moment entrega para cada agente um ambiente fechado em contêiner Docker com documentação, estratégias de mercado e um terabyte de dados históricos de ações dos Estados Unidos. O repositório inclui módulos dedicados para engenharia de variáveis, treino de redes neurais com suporte a placas gráficas e simulação de ordens. O teste de um ano levava três horas. Enquanto aguardava o término da rotina, o agente consultava o status repetidas vezes, gastava tokens à toa e enchia o contexto de lixo.

Para resolver esse travamento, os engenheiros colocaram o Codex e o modelo GPT-5.6 para avaliar milhares de trajetórias gravadas com registros de horário e o código-fonte original. O Codex encontrou o gargalo do sistema. O modelo aplicou técnicas de cache e empacotamento de memória nos dados, validou a alteração em testes práticos e enviou a correção direta para a produção. O teste passou a rodar entre três e cinco minutos, liberando a cota de tokens dos agentes para novas pesquisas.

GPT-6 Sol atua como supervisor externo do Codex

Para impedir que os agentes desistam antes de concluir investigações longas, a Third Moment estruturou o sistema em camadas. A empresa usa o Codex como um subagente operado por um arnês externo que roda com GPT-6 Sol ou GPT-6.1 Sol. Quando um agente abandona a tarefa, o supervisor externo revisa todo o caminho percorrido para decidir se reinicia o processo, encerra a rotina ou chama um operador humano. A divisão evita tarefas perdidas.

Segundo o cofundador Adam Khakhar, os modelos anteriores ao GPT-5.5 só executavam testes desenhados por humanos, enquanto o GPT-5.5 e o GPT-5.6 começaram a criar passos seguintes a partir dos resultados obtidos. Com o GPT-6 Astra, o GPT-6 Sol e o GPT-6.1 Sol, os agentes passaram a disparar centenas de buscas simultâneas para descobrir a causa de problemas complexos. Em uma dessas rodadas, o GPT-6.1 Sol identificou o impacto de negociações fora do livro público em uma bolsa onde essas ordens somavam uma fatia surpreendente do volume total. A descoberta surpreendeu os pesquisadores.

Apesar do volume de trabalho contínuo, o texto publicado pela OpenAI funciona como vitrine para os próprios produtos. Faltam dados auditados de terceiros. Khakhar afirma que o trabalho dos agentes melhorou o sistema básico da Third Moment, mas o material não revela ganhos financeiros nem taxas de acerto. A empresa também avalia o modelo experimental GPT-6 Luna e roda a ferramenta Daybreak para checar a segurança dos ambientes, sem qualquer previsão de lançamento ou requisitos de acesso para o público amplo.