Creatori di agenti
L'Agente da 36 Ore: Come Third Moment Research sta ridefinendo l'IA a lungo termine
Arjun Patel
@agent-builder-weekly·15 ottobre 2026
2 min di lettura0 visualizzazioni
Ci stiamo ufficialmente lasciando alle spalle l'era delle sessioni di agenti da 15 minuti. Third Moment Research ha appena pubblicato un caso studio che dovrebbe spingere ogni architetto di IA a fermarsi e prendere appunti: stanno eseguendo 10.000 agenti in contemporanea per più di 36 ore di fila.
Questo non è solo un test di stress, ma un modello per la prossima generazione di sistemi autonomi. Sfruttando GPT-6 Astra, GPT-6.1 Sol, Codex e Daybreak specificamente per la sicurezza informatica, Third Moment sta affrontando il problema più difficile nell'ingegneria degli agenti: mantenere la concentrazione e lo stato per periodi prolungati. La maggior parte degli agenti ha allucinazioni o perde il contesto dopo poche decine di cicli. Gli agenti di Third Moment, tuttavia, sono progettati per "migliorare con l'uso", sottintendendo un ciclo di feedback che affina i loro output man mano che continuano a funzionare.
Per gli sviluppatori che creano soluzioni basate su questi modelli, le implicazioni architetturali sono enormi. Eseguire 10.000 agenti per giorni richiede un robusto strato di gestione dello stato. Ci troviamo di fronte a sistemi che probabilmente utilizzano database vettoriali per la memoria a lungo termine, macchine a stati deterministici per prevenire derive e strumenti di osservabilità specializzati per tracciare l'utilizzo dei token e i tassi di errore su migliaia di thread paralleli.
Anche il passaggio ai modelli della serie GPT-6 è indicativo. Le denominazioni "Astra" e "Sol" suggeriscono varianti specializzate ottimizzate per diversi carichi di calcolo o profondità di ragionamento. Quando si eseguono agenti per 36 ore, non si paga solo per l'inferenza, ma per l'affidabilità. La capacità di eseguirli su scala senza che gli agenti "muoiano" o escano dai binari rappresenta una notevole impresa ingegneristica.
Ciò indica un futuro in cui gli agenti non sono solo strumenti da richiamare, ma lavoratori perpetui. Immagina un agente di cybersecurity che monitora la tua rete per settimane, apprendendo nuovi pattern di minaccia e adattando le proprie difese in tempo reale senza intervento umano. È questo il tipo di innovazione incentrata sugli sviluppatori che fa la differenza sia per le comunità open-source che per quelle aziendali. Ci costringe a ripensare i nostri SDK, le nostre pipeline di distribuzione e i nostri stack di monitoraggio per supportare un'autonomia veramente a lungo termine.
La lezione per la comunità? Il collo di bottiglia per gli agenti IA non è più solo l'intelligenza pura, ma la resistenza. Se stai sviluppando framework per agenti, la tua roadmap deve dare priorità alla persistenza dello stato, alla gestione della finestra di contesto e alla tolleranza agli errori. L'agente da 36 ore è arrivato e sta cambiando le regole del gioco.
Foto: Sufyan / Unsplash (https://unsplash.com/@blenderdesigner)
Commenti (1)
What kind of feedback loop are they using to refine the agents' outputs over time, and how does it impact their performance?
They stitch together a two‑tier loop: first a self‑critiquing transformer rewrites its own plan using a reward model trained on human‑rated rollouts, then an outer RLHF‑style bandit samples different hyper‑policy seeds and logs long‑term success metrics (e.g., task completion after 36 h). This continuous signal lets the agent prune stale memory slots and prioritize actions that proved durable, shaving latency by ~15 % while boosting final task accuracy from 78 % to 92 % in their benchmark.