Third Moment Research는 OpenAI 모델과 Codex를 활용해 36~48시간 동안 진행되는 연구 세션에서 에이전트 1만 개를 동시에 운용하며, Daybreak로 작업 환경의 보안을 시험합니다. 회사는 모델이 에이전트 행동을 분석하고 반복되는 약점을 찾아 수천 건의 합성 시나리오를 만들어 추가 검증하는 과정을 거쳐 에이전트 성능을 개선한다고 밝혔습니다. 시스템은 정량 금융을 포함한 연구와 계산 작업을 지원합니다.

정량 금융 적용 사례에서 Codex는 기록된 시뮬레이션 경로 수천 건과 타임스탬프, 코드를 분석해 느린 백테스트의 원인을 조사했습니다. 1년치 미국 주식 주문 단위 데이터를 이용해 거래 전략을 실행하는 데 몇 시간이 걸렸고, 대기 중인 에이전트들은 반복해서 진행 상황을 확인했습니다. Codex는 캐싱과 메모리 패킹을 바꾸고 수정 사항을 적용해 백테스트 시간을 약 3시간에서 약 3~5분으로 줄였습니다. OpenAI는 백테스트 시간이 97% 단축됐다고 밝혔으며, 실행 시간이 줄면서 토큰 사용량과 에이전트의 맥락을 차지하던 상태 확인도 감소했습니다.

정량 연구에서 에이전트는 테라바이트 규모 데이터와 문서, 연구 저장소를 갖춘 Docker 컨테이너 환경에서 기본 Codex 하네스를 실행합니다. 저장소에는 특성 공학, GPU 지원 모델 학습, 거래 전략, 시뮬레이션 모듈이 들어 있습니다. GPT-6 Astra, GPT-6 Sol, GPT-6.1 Sol이 추론을 맡고, 하네스는 에이전트가 도구를 쓰고 계획과 목표를 세우며 하위 에이전트를 만들고 맥락을 압축하도록 합니다. GPT-6 Sol 또는 GPT-6.1 Sol 기반 외부 하네스는 미완료 작업을 검토해 재시도하거나 중단하거나 사람의 검토에 보낼지 결정합니다. 에이전트는 과거 데이터를 이용해 전략을 시험하고 결과에 따라 다음 실험을 선택하며, 공동 창업자 아담 카카르는 이 작업이 팀의 기준 거래 시스템을 개선했다고 말했습니다.

카카르는 Codex와 함께 사용한 GPT-5.5와 GPT-5.6이 결과를 바탕으로 후속 실험을 설계하게 했다고 밝혔습니다. GPT-6 Astra, GPT-6 Sol, GPT-6.1 Sol을 활용하면 하위 에이전트로 수백 건의 실험을 병렬 진행해 근본 원인을 조사할 수 있습니다. 한 세션에서 GPT-6.1 Sol은 거래소 거래량 중 화면에 표시되지 않는 거래의 비중이 예상보다 크다는 점을 찾아냈으며, 팀은 처음에 이를 고려하지 않았습니다. Third Moment는 GPT-6 Luna를 포함한 모델을 최적화, 머신러닝 시스템, 정량 연구 분야에서 시험합니다. 공동 창업자 제프리 얀은 GPT-6.1 Sol이 GPT-6 Astra와 비슷한 성능을 내면서 토큰을 가장 적게 사용해 회사에서 가장 많이 쓰는 모델이라고 말했습니다. 카카르에 따르면 실시간 점수판 서비스가 결과를 보존해야 하는 지연시간 벤치마크에서는 GPT-6 Astra가 가장 큰 속도 향상을 기록했습니다.

Third Moment는 시뮬레이션을 시작하기 전에 에이전트가 연구 환경을 벗어나 외부 네트워크에 접근할 수 있는지 Daybreak로 시험합니다. 회사는 이 도구가 에이전트 인프라 전반의 모의 해킹을 자동화한다고 밝혔습니다. 회사가 공개한 규모는 동시 에이전트 1만 개, 36~48시간 연구 세션, 하루에 사용한 OpenAI 토큰 1조 개입니다.

스타트업은 개별 조사에서 수십만 개의 하위 에이전트가 협업하는 방식으로 확장할 계획입니다. 로드맵에는 수십 단계의 종속 실험을 지원하기 위한 수조 토큰 투입이 담겼으며, 새로운 과제가 생길 때 연구를 통해 에이전트를 개선하는 것을 목표로 합니다.

Third Moment Research는 OpenAI 모델과 Codex를 활용해 36~48시간 동안 진행되는 연구 세션에서 에이전트 1만 개를 동시에 운용하며, Daybreak로 작업 환경의 보안을 시험합니다. 회사는 모델이 에이전트 행동을 분석하고 반복되는 약점을 찾아 수천 건의 합성 시나리오를 만들어 추가 검증하는 과정을 거쳐 에이전트 성능을 개선한다고 밝혔습니다. 시스템은 정량 금융을 포함한 연구와 계산 작업을 지원합니다.

정량 금융 적용 사례에서 Codex는 기록된 시뮬레이션 경로 수천 건과 타임스탬프, 코드를 분석해 느린 백테스트의 원인을 조사했습니다. 1년치 미국 주식 주문 단위 데이터를 이용해 거래 전략을 실행하는 데 몇 시간이 걸렸고, 대기 중인 에이전트들은 반복해서 진행 상황을 확인했습니다. Codex는 캐싱과 메모리 패킹을 바꾸고 수정 사항을 적용해 백테스트 시간을 약 3시간에서 약 3~5분으로 줄였습니다. OpenAI는 백테스트 시간이 97% 단축됐다고 밝혔으며, 실행 시간이 줄면서 토큰 사용량과 에이전트의 맥락을 차지하던 상태 확인도 감소했습니다.

정량 연구에서 에이전트는 테라바이트 규모 데이터와 문서, 연구 저장소를 갖춘 Docker 컨테이너 환경에서 기본 Codex 하네스를 실행합니다. 저장소에는 특성 공학, GPU 지원 모델 학습, 거래 전략, 시뮬레이션 모듈이 들어 있습니다. GPT-6 Astra, GPT-6 Sol, GPT-6.1 Sol이 추론을 맡고, 하네스는 에이전트가 도구를 쓰고 계획과 목표를 세우며 하위 에이전트를 만들고 맥락을 압축하도록 합니다. GPT-6 Sol 또는 GPT-6.1 Sol 기반 외부 하네스는 미완료 작업을 검토해 재시도하거나 중단하거나 사람의 검토에 보낼지 결정합니다. 에이전트는 과거 데이터를 이용해 전략을 시험하고 결과에 따라 다음 실험을 선택하며, 공동 창업자 아담 카카르는 이 작업이 팀의 기준 거래 시스템을 개선했다고 말했습니다.

카카르는 Codex와 함께 사용한 GPT-5.5와 GPT-5.6이 결과를 바탕으로 후속 실험을 설계하게 했다고 밝혔습니다. GPT-6 Astra, GPT-6 Sol, GPT-6.1 Sol을 활용하면 하위 에이전트로 수백 건의 실험을 병렬 진행해 근본 원인을 조사할 수 있습니다. 한 세션에서 GPT-6.1 Sol은 거래소 거래량 중 화면에 표시되지 않는 거래의 비중이 예상보다 크다는 점을 찾아냈으며, 팀은 처음에 이를 고려하지 않았습니다. Third Moment는 GPT-6 Luna를 포함한 모델을 최적화, 머신러닝 시스템, 정량 연구 분야에서 시험합니다. 공동 창업자 제프리 얀은 GPT-6.1 Sol이 GPT-6 Astra와 비슷한 성능을 내면서 토큰을 가장 적게 사용해 회사에서 가장 많이 쓰는 모델이라고 말했습니다. 카카르에 따르면 실시간 점수판 서비스가 결과를 보존해야 하는 지연시간 벤치마크에서는 GPT-6 Astra가 가장 큰 속도 향상을 기록했습니다.

Third Moment는 시뮬레이션을 시작하기 전에 에이전트가 연구 환경을 벗어나 외부 네트워크에 접근할 수 있는지 Daybreak로 시험합니다. 회사는 이 도구가 에이전트 인프라 전반의 모의 해킹을 자동화한다고 밝혔습니다. 회사가 공개한 규모는 동시 에이전트 1만 개, 36~48시간 연구 세션, 하루에 사용한 OpenAI 토큰 1조 개입니다.

스타트업은 개별 조사에서 수십만 개의 하위 에이전트가 협업하는 방식으로 확장할 계획입니다. 로드맵에는 수십 단계의 종속 실험을 지원하기 위한 수조 토큰 투입이 담겼으며, 새로운 과제가 생길 때 연구를 통해 에이전트를 개선하는 것을 목표로 합니다.