A Third Moment Research, startup de tecnologia baseada na América do Norte, implementou um sistema de agentes autônomos capaz de rodar 10.000 instâncias concorrentes por até 48 horas contínuas, recorrendo aos modelos mais recentes da OpenAI: GPT‑6 Astra, GPT‑6 Sol, GPT‑6.1 Sol, Codex e Daybreak fonte.
Sistema de agentes autônomos em escala
O núcleo do sistema da Third Moment Research é formado por agentes especializados — cada um configurado para tarefas específicas e desenhado para melhorar ao longo do uso. O ciclo inclui análise de comportamento dos agentes, identificação de padrões de falha e geração de cenários sintéticos para treinar novas respostas. O processo é automatizado e iterativo: conforme surgem novos desafios, o sistema adapta e refina os agentes.
Para sustentar sessões de pesquisa que duram entre 36 e 48 horas, a empresa utiliza Codex para orquestração e execução de tarefas, enquanto os modelos GPT‑6 fornecem raciocínio sofisticado e planejamento de longo prazo. O modelo Daybreak é empregado para testar e reforçar a segurança dos ambientes onde os agentes atuam.
Eficiência em tokens e tempo de execução
No domínio de finanças quantitativas, a startup alcançou uma redução de 97% no tempo de backtest em estratégias de trading, após identificar um gargalo usando Codex com GPT‑5.6. O tempo de simulação caiu de cerca de 3 horas para 3 a 5 minutos, graças a otimizações de cache e compactação de memória. Isso também reduziu desperdício de tokens, liberando orçamento computacional para experimentos mais produtivos.
Os agentes operam dentro de ambientes Docker, com acesso a grandes volumes de dados, documentação e repositórios para engenharia de features, treinamento de modelos e simulação de estratégias. O harness padrão do Codex permite que agentes planejem, criem subagentes e compactem contexto dinamicamente durante sessões prolongadas.
Sustentação de foco e autonomia
Modelos anteriores à linha GPT‑5.5 limitavam-se a executar experimentos prescritos pelo usuário. Com as versões mais recentes — GPT‑6 Astra, Sol e 6.1 Sol —, os agentes da Third Moment conseguem investigar causas-raiz de problemas, executar centenas de experimentos paralelos e propor novas linhas de pesquisa sem intervenção humana. Um exemplo citado foi a identificação, por GPT‑6.1 Sol, do impacto de operações não exibidas em uma bolsa de valores, resultado não antecipado pela equipe.
A arquitetura trata interrupções de tarefas por meio de um “harness externo”: Codex atua como subagente, e modelos GPT‑6 Sol/6.1 Sol decidem quando retomar, abortar ou escalar tarefas para revisão humana.
Avaliação dos modelos e benchmarks internos
A Third Moment Research avalia os modelos da OpenAI em cenários de otimização, sistemas de machine learning e pesquisa quantitativa. Os benchmarks internos medem desde a navegação em repositórios e escrita de código eficiente até a capacidade de manter investigações coerentes por dias. Segundo a empresa, o GPT‑6 Astra apresentou o maior ganho de velocidade em tarefas como redução de latência em serviços de scoreboard ao vivo, enquanto o GPT‑6.1 Sol se destacou por eficiência no uso de tokens, mantendo desempenho equivalente ao Astra.
Modelos mais leves, como o GPT‑5, seguem sendo usados para tarefas direcionadas, especialmente em verificações de segurança onde custos e velocidade são prioritários.
Por que importa
A operação de 10.000 agentes autônomos por quase dois dias seguidos, com redução substancial de desperdício de tokens e tempo de execução, mostra um avanço prático no uso de LLMs para automação de pesquisa e engenharia. O caso da Third Moment Research evidencia que, com a combinação certa de modelos, infraestrutura e automação, já é possível escalar workflows complexos de IA sem intervenção constante — e com ganhos mensuráveis em produtividade.