外滩大会论坛：Agent后训练寻找下一个Scaling Law
原标题：从完成任务到自主发现，Agent后训练寻找下一个Scaling Law
AI 摘要
2026 Inclusion·外滩大会举办“Agent Post-Training：智能本质与下一个 Scaling Law”见解论坛，CAMEL AI、蚂蚁百灵、英伟达、美团LongCat、新加坡国立大学、清华大学、上海交通大学、KAUST等机构研究者围绕智能体后训练展开分享。议题覆盖多智能体扩展与环境构建、真实专业任务中的可信执行、轻量化强化学习框架Molt、长程Agent的环境与信息管理、长视频生成的Agent Harness、自进化大模型与递归自演进（RSI）等方向。多位嘉宾认为，环境、信息管理与成果验证是智能体能力持续提升的关键，智能体自我进化可能成为探索下一个Scaling Law的路径。
正文节选
0 当大模型开始调用工具、执行复杂任务，衡量其能力的标准也在发生变化：不仅要看能否给出正确答案，更要看能否在真实环境中持续行动、检查结果，并根据反馈调整策略。从模型能力到任务价值，这一转变需要怎样的训练方法与基础设施？智能体能否在工作中积累经验、不断进化，进而打开新的能力增长空间？ 9月12日上午2026 Inclusion·外滩大会上，以“Agent Post-Training：智能本质与下一个 Scaling Law”为主题的见解论坛正式举行。 论坛围绕智能体后训练的算法、环境、基础设施及自我进化等议题展开交流，邀请到模型研发与Agent领域的研究者、产业实践者，共同探讨智能体能力发展的关键问题。 嘉宾们的分享呈现出一条逐步深入的探索路径：让Agent能够完成复杂任务，进一步让它从任务中积累经验、发现新知识，并将这些成果用于下一轮能力提升。围绕这一过程，环境如何构建、信息如何管理、成果如何验证，成为贯穿多场演讲的重要问题。 谢钰溱：从数量、环境与进化，探索Agent的Scaling Law 在题为《通往agent时代的范式跨越》的开场分享中，CAMEL AI 创始成员谢钰溱介绍，探