从完成任务到自主发现，Agent后训练寻找下一个Scaling Law

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，探索Agent的Scaling Law一直是CAMEL AI的重要方向。她将这一问题拆解为三个相互关联的维度：智能体的数量、智能体所处的环境，以及智能体自身的进化。 CAMEL AI 创始成员谢钰溱 在数量维度，研究重点并非简单增加参与任务的Agent，而是解决