Third Moment: OpenAI-stack laat 10.000 agents 48 uur lang draaien
Third Moment zegt 10.000 AI-agents 36 tot 48 uur te laten draaien. Dit is wat erachter zit, waar de winst vandaan kwam en wat nog niet bewezen is.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Op 14 oktober 2026 maakte Third Moment Research bekend dat het tot 10.000 agents op basis van OpenAI tegelijk laat draaien, met afzonderlijke onderzoekssessies van 36 tot 48 uur. De aankondiging is belangrijk omdat ze wijst op een nieuwe schaal voor autonome onderzoekssystemen, vooral in kwantitatief werk en codezware omgevingen. Voor teams die agentworkflows bouwen, is de directe les dat Third Moment een gelaagde stack gebruikt: Codex om binnen de omgeving te handelen, GPT-6 Astra, GPT-6 Sol en GPT-6.1 Sol voor het redeneerwerk, en Daybreak om de beveiliging te testen voordat runs starten.
Wat Third Moment bekendmaakte
Third Moment beschreef een systeem dat agents in de loop van de tijd verbetert door te analyseren waar ze falen, synthetische scenario's rond die zwakke plekken te genereren en de resultaten terug te voeren in toekomstige runs. In de huidige opzet kunnen agents volgens het bedrijf werk plannen, subagents starten, tools gebruiken en onderzoeken gedurende lange sessies voortzetten, in plaats van te stoppen na één reeks prompts. Het bedrijf zei ook dat de operatie op één dag 1 biljoen OpenAI-tokens kan verbruiken, en dat in het huidige evaluatiewerk ook GPT-6 Luna wordt getest, naast de andere frontiermodellen in de stack.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Waarom de cijfers ertoe doen
Het meest concrete voorbeeld in de aankondiging was een knelpunt bij backtesting. Volgens Third Moment bekeek Codex vastgelegde simulatietrajecten, tijdstempels en de codebase, en vond het vervolgens een cachingoptimalisatie en een techniek voor memory packing die één backtest terugbrachten van ongeveer 3 uur naar ongeveer 3 tot 5 minuten, wat het bedrijf omschreef als een reductie van 97%. Zulke winst is belangrijk omdat langlopende agents tokens kunnen verspillen en hun context kunnen vervuilen terwijl ze wachten op trage systemen. Third Moment zei ook dat GPT-6.1 Sol momenteel zijn meestgebruikte model is vanwege de tokenefficiëntie, terwijl GPT-6 Astra de grootste versnelling opleverde op één live latency-benchmark.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Wat er nu komt
Third Moment zei dat het Daybreak inzet voordat simulaties starten, om te testen of agents uit hun onderzoeksomgeving kunnen ontsnappen en het bredere netwerk kunnen bereiken. Die beveiligingsstap wordt belangrijker naarmate het bedrijf toewerkt naar honderdduizenden samenwerkende subagents in plaats van geïsoleerde lange runs. Voor andere bedrijven die experimenteren met autonoom onderzoek is het nieuws niet alleen dat grotere aantallen agents mogelijk zijn. Opschalen lijkt af te hangen van vier onderdelen die samenwerken: sterke redeneermodellen, een harnas waarmee agents tools kunnen gebruiken, prestatie-optimalisatie binnen de workflow en geautomatiseerde controles die nagaan of de omgeving nog afgeschermd is.


