OpenAI揭秘万级Agent实测！狂飙36小时，狂吞1万亿Token
新智元报道
GPT-5.5与GPT-5.6（搭配Codex） ：能看着初步结果，自己设计下一轮实验；
GPT-6 Astra、GPT-6 Sol与GPT-6.1 Sol ：主Agent一旦发现异常信号，会当场拉起成百上千个子Agent并行跑对照实验。
采集轨迹 ：记录上万个Agent在沙箱里的完整运行步骤与报错；
聚类诊断 ：由轻量模型 GPT-6 Luna 构建相似度矩阵，把重复出现的报错归类；
合成沙箱 ：由 GPT-6.1 Sol 围绕薄弱环节，自动生成数千个合成仿真环境；
升级脚手架 ：让 Codex 在仿真环境里反复测试，自动迭代工具与编排逻辑。
每一次循环都会造出一个比出发时更强的系统。系统会自己找出败在哪里，围绕这些失败构建定向仿真，并为下一轮运行升级脚手架。
一阶矩（均值） ：就像市面上刷到95分的评测榜单，平均分好看，但一上生产环境照样出错；
二阶矩（方差） ：代表结果波动与噪音，提升小于噪音就不算真提升；
三阶矩（偏度与尾部） ： 专门衡量那些被平均分掩盖、却会在真实业务里造成严重后果的罕见故障。
人类可以站到杠杆大得多的位置上，去想怎么做研究、怎么优化研究本身，而不用亲自去做研究。
https://openai.com/index/third-moment-research