OPENAI SEARCH INSIGHT

2026.10.15 / OpenAI最新情報

Third Moment、GPT-6.1 Solで1万エージェントを36時間超並列運用

この記事で分かること: Third Moment ResearchがGPT-6.1 SolやCodexを使い、1万規模の長時間エージェント運用と自己改善をどのように設計しているかを知りたい。

OpenAIは2026年10月14日、AI研究企業Third Moment Researchが、GPT-6.1 Sol、GPT-6 Astra、GPT-6 Sol、Codexを用いて、最大1万のエージェントを同時に動かし、1回36〜48時間の自律調査を実行している事例を公開した。

長時間の推論を単にモデルへ委ねるのではなく、実行環境、外側の監督ハーネス、再試行判断、評価データの生成を組み合わせている点が中核となる。

日本の開発組織が注目すべきなのは、エージェント数やトークン量そのものよりも、失敗した軌跡から弱点を見つけ、合成シナリオを大量生成して改善へ戻す運用ループである。OpenAIの公式発表によれば、Third Momentは1万エージェントを並行稼働させ、各自律研究セッションを36〜48時間継続させている。

OpenAIが公開したThird Momentの運用像

Third Moment Researchは、企業ごとに異なる業務フロー、利用ツール、例外処理、成功基準に適応し、利用を重ねるほど能力を高めるエージェントを目指している。公式発表上の企業区分はStartupで、地域は北米、業種はテクノロジー、対象製品はAPIとCodexとされている。

同社の自己改善システムは、最新モデルを使ってエージェントの行動を解析し、繰り返し現れる弱点を特定する。その問題を中心に数千件の合成シナリオを自動生成し、エージェントを改善する。新たな問題が現れれば、同じ工程を反復する設計だ。

公式記事は、CodexとGPT-6 Astra、GPT-6 Sol、GPT-6.1 Solが研究・計算作業を支えると説明する。さらに、エージェントが作業する環境のセキュリティを検証する目的で、Daybreakも利用している。つまり、モデル推論、実行ハーネス、評価改善、安全性検証を分離しながら接続している。

GPT-6.1 SolとCodexの役割分担

Third Momentの量的研究環境では、Docker化された環境内で標準のCodexハーネスを実行する。エージェントには、1テラバイトのデータ、文書、特徴量エンジニアリング、GPU支援のモデル学習、取引戦略、シミュレーションのモジュールを含む研究リポジトリが与えられるという。

GPT-6 Astra、GPT-6 Sol、GPT-6.1 Solが推論を担い、Codexハーネスが行動のための道具を提供する。公式説明では、エージェントは計画作成、目標設定、サブエージェント生成、継続作業に伴うコンテキスト圧縮を行える。これは、長時間実行で蓄積する情報を制御するための実装上の要素でもある。

タスクを完了せず停止するエージェントへの対処も明記された。Third MomentはCodexをサブエージェントとして扱い、その外側にGPT-6 SolまたはGPT-6.1 Solで動くハーネスを置く。外側のハーネスは未完了時の軌跡を調べ、再試行、ジョブ終了、人間のレビューへのエスカレーションを判断する。

共同創業者Adam Khakhar氏は、GPT-6.1 Solについて、単一セッション内で数日分の計算にまたがる計算研究の一貫した文脈を維持できる趣旨を述べた。ここでの主張はThird Momentの評価であり、OpenAIが全用途での性能を保証したものではない点は切り分けて読む必要がある。

バックテストを約3時間から数分へ短縮

初期ユースケースの一つは、成功指標を比較的明確に置ける量的金融だ。Third MomentはCodexを使い、研究環境内の問題を探索・修正した。ある事例では、当時の最新GPTモデルとされたGPT-5.6をCodexと組み合わせ、数千件の記録済みシミュレーション軌跡、時刻情報、コードベースを解析した。

分析対象となったボトルネックは、注文単位の米国株式データ1年分で取引戦略をバックテストする処理だった。完了まで数時間を要し、待機中のエージェントが繰り返し状態確認を行ったため、トークンを消費し、コンテキストがステータス確認で埋まる問題が生じていたという。

公式発表によれば、Codexはプロファイリングと入出力・利用状況の分析を経て、キャッシュ最適化とメモリーパッキング手法を特定した。解決策を試し、本番環境へ修正を展開した結果、バックテスト時間は約3時間から約3〜5分へ短縮された。OpenAIはこれをバックテスト時間を97％削減した事例として掲げている。

重要なのは、性能改善の効果が単なる待ち時間短縮にとどまらない点だ。待機ポーリングが減れば、トークン使用量とコンテキスト汚染を抑えられ、次の実験に割り当てられる予算を増やせる。長時間エージェントでは、基盤処理の遅延が推論品質と探索回数を同時に圧迫し得る。

数百の実験とモデル評価の設計

Third Momentは、GPT-5.5以前にはモデルが利用者の指定した実験を実行する段階だったと説明する。その後、GPT-5.5とGPT-5.6ではCodexハーネスと組み合わせることで、実験結果を踏まえて次の実験を設計できるようになったという。GPT-6系では、サブエージェントを使い、数百の実験を並列に走らせながら根本原因を調べる運用へ進んだ。

同社は最適化、機械学習システム、量的研究にわたりモデルを評価し、最も高い推論設定でフロンティアモデルを試験する。リポジトリの探索、効率的なコード作成、調査の継続能力を評価軸とし、公式記事時点ではGPT-6 Lunaも評価対象に含まれている。

共同創業者Jeffrey Yan氏は、GPT-6.1 Solを最も多用しているモデルとし、GPT-6 Astraに近い性能を保ちながら、より少ないトークンでタスクを完了できるとの見解を示した。一方、公式記事では、同社が特定のセキュリティ弱点を調べる用途にはGPT-5.6 Terraのような効率重視モデルも使うとしている。

ライブのスコアボードサービスの更新遅延を、出力を保持したまま削減するベンチマークも紹介された。専門家作成解とモデルの解を同一ハードウェアで比較し、正確性を満たす条件で平均実行時間の比率を測る。Adam氏によれば、この評価ではGPT-6 Astraが最大の高速化を示した。

Daybreakによる実行環境の安全性検証

1万のエージェントを自律稼働させる場合、エージェントが使う研究環境そのものの安全性を大規模に検証する必要がある。Third Momentは、シミュレーション開始前にDaybreakのサイバーセキュリティプラットフォームを用い、このテストを自動化している。

テストでは、エージェントが研究環境から脱出し、より広いネットワークへアクセスできるかを確認する。Adam氏は、Daybreakの利用により、エージェント自身にシミュレーション、インフラ、セキュリティのペネトレーションテストをさせられると説明した。公式記事では、同氏がDaybreakなしでは、この検証を大規模に自律実行できないと述べている。

この事例は、長時間エージェントの安全性を「モデルが安全に振る舞うか」という一点に限定していない。コンテナ、ネットワーク境界、権限、実験用データ、外部ツール接続といった実行基盤まで含め、開始前に検査する運用が示されている。

Agent Memories編集部の考察

以下は公式発表の事実ではなく、Agent Memories編集部の考察である。日本の実務では、「1万エージェント」という規模を導入目標にする前に、エージェントの軌跡をどの粒度で保存し、未完了・誤操作・過剰反復をどう分類するかを先に定義すべきだ。自己改善は、失敗の観測データがなければ成立しない。

特に評価すべきは、失敗時に再試行だけを選ばず、終了と人間レビューを選択肢に入れている点である。人間の承認を常に要求すれば自律性が失われる一方、全件を再試行すればコストとリスクが増える。タスク種別ごとに停止条件、再試行上限、レビューへ回す基準を明文化することが実装の出発点になる。

また、トークン効率はモデル選定だけの問題ではない。バックテスト待機のような周辺システムの遅延、状態確認の頻度、ログの粒度、コンテキスト圧縮の設計が、総コストと探索可能な実験数を左右する。モデル比較では、正答率だけでなく、完了までのトークン、実行時間、失敗後の復旧率を同時に計測したい。

高権限のツールをエージェントへ渡すほど、環境分離と検証の優先度は上がる。開発・検証環境では、最小権限、ネットワーク到達範囲の制限、秘密情報の分離、実行ログの保全を基準化し、テスト対象にインフラ設定も含めるべきである。公式発表のDaybreak活用は、この論点を運用レイヤーで示す事例といえる。

よくある質問

GPT-6.1 Solは1万エージェントを単独で管理するのか

OpenAIの公式記事は、GPT-6.1 Solを含む複数モデル、Codexハーネス、外側の監督ハーネスを組み合わせる構成を説明している。GPT-6.1 Solだけが全エージェントを単独管理するという説明ではない。推論、ツール実行、未完了タスクの判断を役割分担させている。

36〜48時間の実行は、すべての利用者に提供される条件か

いいえ。公式発表で確認できるのは、Third Moment Researchが実施している自律研究セッションの時間である。OpenAIはこの事例の中で、他社や全利用者に同じ実行時間、利用条件、性能が提供されるとは記載していない。

97％削減はGPT-6.1の性能値を意味するのか

そうではない。97％は、Third MomentがCodexとGPT-5.6を用いた特定のバックテスト最適化事例で、約3時間だった処理を約3〜5分へ短縮した結果として示された数値である。データ、コード、キャッシュ設計、実行環境が異なる案件へそのまま一般化することはできない。

Third Momentは今後どこまで規模を拡大する計画か

公式記事によれば、同社は個別調査から数十万の協働サブエージェントへ拡大する構想を掲げている。ロードマップでは、数十の依存関係を持つ実験連鎖を支えるため、数兆トークン規模の利用を想定している。ただし、これは同社の計画であり、実現時期や提供条件は公式記事で示されていない。

まとめ

OpenAIが公開したThird Moment Researchの事例は、GPT-6.1 Solを含むモデル群を使った長時間エージェント運用を、モデル能力だけでなく、Codexによる実行、軌跡解析、合成シナリオ生成、監督ハーネス、Daybreakによる環境検証まで含むシステムとして設計したものだ。

実務上の優先順位は、規模の拡大より先に、評価可能な成功指標、失敗軌跡の収集、停止・再試行・人間レビューの分岐、周辺処理の最適化、実行環境の安全性確認を整えることにある。Third Momentの公開事例は、エージェントを長く動かすほど、推論モデルと同等以上に運用設計が重要になることを示している。

本カテゴリはMiraigent / Agent Memoriesによる非公式編集記事です。OpenAIとの提携・承認・後援を示すものではありません。