Third Moment affirme faire tourner 10 000 agents pendant 48 heures avec OpenAI
Third Moment affirme faire tourner 10 000 agents IA pendant 36 à 48 heures. Voici ce qui alimente le système, d'où viennent les gains et ce qui reste à prouver.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Le 14 octobre 2026, Third Moment Research a annoncé faire tourner simultanément jusqu'à 10 000 agents propulsés par OpenAI, avec des sessions de recherche individuelles de 36 à 48 heures. L'annonce compte, car elle marque un nouveau palier pour les systèmes de recherche autonomes, en particulier dans la finance quantitative et les environnements fortement axés sur le code. Pour les équipes qui conçoivent des workflows d'agents, l'enseignement immédiat est que Third Moment s'appuie sur une architecture en couches : Codex pour agir dans l'environnement, GPT-6 Astra, GPT-6 Sol et GPT-6.1 Sol pour le raisonnement, et Daybreak pour tester la sécurité avant le lancement des exécutions.
Ce que Third Moment a dévoilé
Third Moment a décrit un système conçu pour améliorer ses agents au fil du temps : il analyse leurs points d'échec, génère des scénarios synthétiques autour de ces faiblesses et réinjecte les résultats dans les exécutions suivantes. Dans sa configuration actuelle, selon l'entreprise, les agents peuvent planifier leur travail, créer des sous-agents, utiliser des outils et poursuivre leurs investigations sur de longues sessions, au lieu de s'arrêter après une seule chaîne de prompts. Elle indique aussi que l'opération peut consommer 1 000 milliards de tokens OpenAI en une seule journée, et que ses travaux d'évaluation actuels incluent GPT-6 Luna aux côtés des autres modèles de pointe de son stack.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Pourquoi ces chiffres comptent
L'exemple le plus concret de l'annonce concerne un goulot d'étranglement dans le backtesting. Selon Third Moment, Codex a examiné les trajectoires de simulation enregistrées, les horodatages et la base de code, puis a trouvé une optimisation de cache et une technique de compactage mémoire qui ont fait passer un backtest d'environ 3 heures à environ 3 à 5 minutes, soit une réduction de 97 % selon l'entreprise. Ce type de gain est important, car des agents tournant longtemps peuvent brûler des tokens et encombrer leur contexte en attendant des systèmes lents. Third Moment précise aussi que GPT-6.1 Sol est actuellement son modèle le plus utilisé pour son efficacité en tokens, tandis que GPT-6 Astra a offert la plus forte accélération sur un benchmark de latence en conditions réelles.

Illustration made on Lumeta with GPT Image 2.5Make one like it
La suite
Third Moment indique utiliser Daybreak avant le lancement des simulations pour vérifier si des agents pourraient s'échapper de leur environnement de recherche et atteindre le réseau plus large. Cette étape de sécurité devient d'autant plus importante que l'entreprise vise des centaines de milliers de sous-agents collaborant entre eux, plutôt que de longues exécutions isolées. Pour les autres entreprises qui expérimentent la recherche autonome, la nouvelle ne se résume pas à la possibilité de multiplier les agents. Le passage à l'échelle semble reposer sur quatre éléments combinés : des modèles de raisonnement solides, un environnement d'exécution capable d'utiliser des outils, l'optimisation des performances au sein du workflow et des contrôles automatisés garantissant que l'environnement reste confiné.


