Agent后训练：寻找能力进化的新路径

随着大模型逐渐具备调用工具和执行复杂任务的能力，其能力评估标准正在发生根本性转变：不仅关注能否给出正确答案，更看重在真实环境中持续行动、检查结果并根据反馈调整策略的能力。2026年9月12日，在“Inclusion·外滩大会”上，来自学术界和产业的专家围绕“Agent Post-Training”展开讨论，揭示了从完成任务到自主发现的演进逻辑。

核心维度：数量、环境与进化

CAMEL AI创始成员谢钰溱提出，探索Agent的Scaling Law需聚焦三个维度：

• 数量：重点在于解决多智能体间的通信、共识达成及无中心化控制下的自组织问题，而非单纯增加数量。
• 环境：环境是Agent能力的训练场。随着任务复杂度提升（如跨设备操作、机器学习研发），需专门构建能验证结果并防止奖励机制被滥用的复杂环境。
• 进化：关键在于Agent能否在工作中积累经验、发现不足并提出新思路，从而加速下一代模型的训练。

产业化实践：走出实验室的专业化执行

蚂蚁百灵大模型负责人周俊强调，Agent在医疗、金融等垂直领域的落地需满足三个条件：

1. 高质效：综合平衡任务质量、成本、等待时间与成功率。
2. 可专业化：模型需理解专业语境、使用专业工具并遵循工作流，而不仅是补充知识。
3. 可信执行：建立风险识别与边界限制体系，在证据不足或风险过高时主动请求人工介入，而非假设模型不会犯错。

他同时指出，真实场景既是检验考场也是训练场，需沉淀可复盘的失败案例和交互式训练环境以反哺模型改进。

基础设施与研究效率

针对Agent训练日益复杂的问题，英伟达研究员胡健介绍了轻量级强化学习框架Molt：

• 设计目标：降低框架理解与修改成本，缩短从想法到实验的距离。核心代码约9000行，基于PyTorch原生能力。
• 支持Agent参与研发：简洁的代码结构有助于编程智能体理解训练框架，减少实现错误。
• 技术特性：支持外部Agent接入、长任务上下文压缩处理，以及流式采样以提高GPU利用率。

美团LongCat团队负责人顾奇则关注长程任务中的环境、信息管理与训练的协同：

• 任务分类：分为循环迭代型（依赖稳定工具链和即时反馈）和系统性任务（依赖长周期、稀疏反馈）。后者需引入任务分段、过程指导和中途更新机制。
• Harness设计：包括交互界面、信息管理机制和推理脚手架。未来趋势是模型自身掌握更多能力，但环境交互与信息管理仍需长期存在，需与训练目标共同设计。

具体场景应用：长视频生成与自主科研

• 长视频生成：新加坡国立大学博士生孙彦指出，长视频制作需将规划与校验前置。通过将影视制作经验转化为结构化流程，分离剧本（观众视角）与制作方案（实现视角），并构建生成依赖图进行并行制作与局部返修，以解决角色一致性和叙事连贯性问题。
• 自主科研：清华大学助理教授陈勇超认为，衡量模型应关注其在陌生环境中发现新知识的能力。团队通过让AI参与数据与研究轨迹生成，形成“数据-能力”迭代闭环，但仍面临思维多样性不足和成果验证瓶颈。
• 递归自我改进（RSI）：上海交通大学副教授陈思衡展示了基于35B模型的后训练成果，其在前沿科学评测得分显著提升，并观察到能力向通用任务迁移。他强调需构建包含知识库、代码库等的科研环境，形成“智能体—环境—数据—模型”的循环。KAUST博士诸葛鸣晨回顾了RSI脉络，指出当前实践借助实验反馈判断改进有效性，并呼吁在推进自我改进的同时关注安全问题。

圆桌共识：SFT与RL的分工及未来方向

在圆桌讨论中，嘉宾们就RSI路径和训练方法达成部分共识：

• SFT与RL分工：监督微调（SFT）用于帮助模型获得初步的环境探索能力；当模型具备基础后，提升主要依靠强化学习（RL）中的自主尝试与环境反馈。高质量环境和反馈信号在RL阶段至关重要。
• 突破点：各方普遍认为，未来的突破在于提供能提供新知识的环境、完善的评价机制，以及让系统自主探索前沿问题，逐步减少对人工指导的依赖。