Third Moment diz que a stack da OpenAI executa 10.000 agentes por 48 horas
A Third Moment afirma executar 10.000 agentes de IA durante 36 a 48 horas. Veja o que sustenta o sistema, de onde vieram os ganhos e o que ainda não está comprovado.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Em 14 de outubro de 2026, a Third Moment Research afirmou que está executando até 10.000 agentes baseados em modelos da OpenAI ao mesmo tempo, com sessões de pesquisa individuais que duram de 36 a 48 horas. O anúncio é relevante porque aponta para uma nova escala de sistemas de pesquisa autônomos, especialmente em trabalho quantitativo e em ambientes com uso intenso de código. Para equipes que criam fluxos de trabalho com agentes, a conclusão imediata é que a Third Moment usa uma pilha em camadas: Codex para agir dentro do ambiente, GPT-6 Astra, GPT-6 Sol e GPT-6.1 Sol para raciocínio, e Daybreak para testar a segurança antes do início das execuções.
O que a Third Moment divulgou
A Third Moment descreveu um sistema criado para aprimorar os agentes ao longo do tempo, analisando onde eles falham, gerando cenários sintéticos em torno dessas fraquezas e reaproveitando os resultados em execuções futuras. Na configuração atual, segundo a empresa, os agentes conseguem planejar o trabalho, criar subagentes, usar ferramentas e manter investigações em andamento ao longo de sessões longas, em vez de parar após uma única cadeia de prompts. A empresa também disse que a operação pode consumir 1 trilhão de tokens da OpenAI em um único dia e que o trabalho de avaliação atual inclui o GPT-6 Luna, ao lado dos outros modelos de ponta da sua pilha.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Por que os números importam
O exemplo mais concreto do anúncio foi um gargalo de backtesting. A Third Moment disse que o Codex analisou trajetórias de simulação gravadas, registros de data e hora e a base de código, e então encontrou uma otimização de cache e uma técnica de compactação de memória que reduziram um backtest de aproximadamente 3 horas para cerca de 3 a 5 minutos, o que a empresa descreveu como uma redução de 97%. Esse tipo de ganho importa porque agentes de longa duração podem desperdiçar tokens e sobrecarregar o próprio contexto enquanto esperam por sistemas lentos. A Third Moment também afirmou que o GPT-6.1 Sol é atualmente seu modelo mais usado pela eficiência no consumo de tokens, enquanto o GPT-6 Astra entregou o maior ganho de velocidade em um benchmark de latência em produção.

Illustration made on Lumeta with GPT Image 2.5Make one like it
O que vem a seguir
A Third Moment disse que usa o Daybreak antes do lançamento das simulações para testar se os agentes conseguiriam escapar do ambiente de pesquisa e alcançar a rede mais ampla. Essa etapa de segurança ganha importância à medida que a empresa avança rumo a centenas de milhares de subagentes colaborando entre si, em vez de execuções longas isoladas. Para outras empresas que experimentam pesquisa autônoma, a novidade não é apenas que números maiores de agentes são possíveis. É que a escala parece depender de quatro peças funcionando juntas: modelos de raciocínio robustos, uma estrutura capaz de usar ferramentas, ajuste de desempenho dentro do fluxo de trabalho e verificações automatizadas de que o ambiente continua isolado.


