点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
AI/CV重磅干货，第一时间送达
HIGHLIGHTS
成果速递
国际顶级学术会议 NeurIPS 2026 将于12月在澳大利亚悉尼举办。CPIL 实验室及合作单位共有3篇论文被 NeurIPS 2026 正式接收。在此感谢各位合作者的支持与帮助。
欢迎大家关注我们的文章：
How Data Scales in Agentic Reinforcement Learning: Laws and Synthesis Strategies
MOSAIC: Scaling Long-Horizon Language Agents via Multi-Scale Adaptive Inference Control
The 1/W Law: Context Length is the Dominant Energy Lever in LLM Inference Fleets
01
会议介绍
NeurIPS（神经信息处理系统大会）创办于1987年，是机器学习与人工智能领域的顶级国际学术会议之一，关注相关领域的理论、方法与应用。2026年是第40届大会，悉尼主会将于12月6日至12日举行，亚特兰大和巴黎卫星会场将于12月9日至13日举行。来源：https://neurips.cc/Conferences/2026
02
论文介绍
How Data Scales in Agentic Reinforcement Learning: Laws and Synthesis Strategies
Bowei He, Yankai Chen, Xiaokun Zhang, Changjiang Han, Ye Yuan, Chong Li, Xue Liu
图1：同等预算下，不同数据配置带来的效果差异。
🔹 研究背景：智能体要学会操作网页、使用软件和修复代码，需要在训练中反复实践。随着任务和环境可以自动生成，训练数据越来越容易获得。如何让这些数据真正帮助智能体学会解决新问题，也成了重要课题。
🔹 核心痛点：增加新任务、换一个环境练习，或让同一任务多尝试几次，都能增加数据量，但带来的帮助并不一样，成本也不同。面对有限的训练预算，研究者需要知道：哪些数据值得增加，又该怎样搭配？
🔹 研究思路与发现：论文分别考察了任务数量、环境数量和重复尝试次数的作用。在所测设置中，增加环境带来的提升大于重复练习；对于软件修复、网页操作和应用使用等任务，接触不同代码仓库、网站和应用尤其有帮助。不过，具体收益会随任务类型变化。作者据此结合合成数据的质量、生成和训练成本，设计了预算分配方法。
🔹 实验结果：在更大规模的数学与代码实验中，采用该方法后，同样训练预算下的任务成功率从42.9%提高到51.3%。这项研究把“多准备一些数据”变成了更具体的选择：该补充哪些任务和环境，又该给已有任务多少次练习机会，为智能体训练提供了依据。
MOSAIC: Scaling Long-Horizon Language Agents via Multi-Scale Adaptive Inference Control
Bowei He, Meng Ding, Weixu Zhang, Xunzhuo Liu, Huamin Chen, Xue Liu
图2：整体计划、子任务与具体行动分工协作。
🔹 研究背景：修复一个软件故障，往往需要先查找线索，再判断原因、修改代码并检查结果。智能体完成这类复杂任务时，可能要连续执行上百步。它既要推进眼前的操作，也要记住目标，并在出现意外时调整计划。
🔹 核心痛点：判断故障原因需要仔细思考，打开一个文件却通常不需要。如果每一步都按相近的方式处理，就容易在简单操作上花费过多计算。与此同时，操作记录越来越长，关键目标和约束也容易被细节淹没。
🔹 解决方案：MOSAIC 将工作分成三层：一层负责整体目标与计划，一层把当前子任务安排成具体步骤，一层执行操作。通过强化学习训练的轻量调度器，根据任务进度、执行偏差和报错等信息，决定何时调用哪一层，以及投入多少思考。各层保留与职责相关的信息，向上汇总执行结果，再将计划逐级落实为具体操作，让日常操作快速推进，关键判断得到更多思考。
🔹 实验结果：使用同一基础模型时，与常用的 ReAct 方法相比，MOSAIC 将软件修复成功率从28.4%提高到37.6%，每个任务的输入和输出总量（按 token 计）减少约39%。网页操作和资料搜索等测试也取得改善，说明合理安排每一步的思考投入，有助于智能体更高效地完成复杂任务。
The 1/W Law: Context Length is the Dominant Energy Lever in LLM Inference Fleets
Huamin Chen, Xunzhuo Liu, Yuhan Liu, Junchen Jiang, Xue Liu, Chenxu Niu, Bowei He
图3：所测条件下，窗口越大，生成能效越低。H100 基于实测功率校准；B200 为校准估计。
🔹 研究背景：大模型每次回答问题，都需要服务器提供计算。如何用同样的电完成更多工作，是部署中的重要问题。除了模型、硬件和推理软件，这篇论文关注服务器的上下文窗口设置，也就是一条请求最多能容纳多少输入与输出内容。
🔹 核心痛点：生成回答时，服务器需要在显存中保存每条请求的中间信息。如果按窗口容量设置并发上限，窗口越大，能同时处理的请求就越少，但 GPU 的功率不会同比下降。大量短请求也使用统一的大窗口，便可能降低服务器的使用效率。
🔹 研究思路与发现：论文提出“1/W 定律”：当窗口基本用满、并发达到显存允许的上限，且 GPU 功率趋于饱和时，生成阶段的能效近似与服务池的窗口长度成反比。由此，作者把服务器分为长、短窗口两组，让请求进入适合自己的那一组，在保留所需上下文的同时，提高设备效率。
🔹 分析结果：作者用 H100 实测功率校准模型，结合短请求居多的 Azure 请求记录进行分析。在使用同一模型、满足相同响应要求的条件下，优化分流后，生成阶段的能效达到统一大窗口方案的2.52倍；完整请求的收益还取决于输入处理开销。按实际需求配置窗口，也有助于降低大模型服务的能耗。
03
作者简介（部分）
个人主页
https://scholar.google.com/citations?user=1cH0A9cAAAAJ
何博威，MBZUAI 博士后。研究方向为 AI 智能体、递归自我改进与语义路由。
个人主页
https://yankai-chen.github.io/
陈焱凯，MBZUAI 博士后。研究方向为可靠大模型智能体、鲁棒机器学习与信息检索。
个人主页
https://scholar.google.com/citations?user=dZviRjsAAAAJ&hl=en
韩长江，MBZUAI 硕士生。研究方向为 AI 智能体、智能体记忆与生成式推荐。
个人主页
https://stevenyuan666.github.io
袁野，麦吉尔大学博士生、Mila 魁北克人工智能研究所成员。研究方向为视觉语言模型、大语言模型、扩散模型与智能体应用。
个人主页
https://mila.quebec/en/directory/weixu-zhang
张炜煦，麦吉尔大学博士生、Mila 魁北克人工智能研究所成员。研究方向为大语言模型、可解释个性化、可信生成与 AI 智能体。
顶尖平台 招贤纳士
ABOUT CPIL & JOIN US
Cyber-Physical Intelligence Lab 深耕于 MBZUAI、麦吉尔大学 (McGill University)、Mila (Quebec AI Institute) 三大顶尖科研平台。我们拥有卓越的全球产学网络，长期与 Google, MSR, Meta, Amazon, Tencent 等科技巨头深度联动。实验室常年开放博士、博后、访问学者及实习生席位，学术交流与项目合作欢迎在公众号后台私信对接！请联系：
实验室主页：https://cpil-lab.github.io/
CPIL
微信公众号丨CPIL赛博物理智能实验室
小红书丨CPIL
在CVer公众号后台回复：何恺明，即可下载566页课件PPT！大家赶紧学起来！ CVPR 2026 所有论文和代码下载 在CVer公众号后台回复：CVPR2026，即可下载CVPR 2026 所有论文和代码！ ECCV 2026 所有论文和代码下载 在CVer公众号后台回复：ECCV2026，即可下载ECCV 2026 所有论文和代码！
CV垂直方向和论文投稿交流群成立
扫描下方二维码，或者添加微信号：CVer2233，即可添加CVer小助手微信，便可申请加入CVer-垂直方向和论文投稿微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer、NeRF、3DGS、Mamba等。
一定要备注：研究方向+地点+学校/公司+昵称（如Mamba、多模态学习或者论文投稿+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群
▲扫码或加微信号: CVer2233，进交流群
CVer计算机视觉（知识星球）人数破万！如果你想要了解最新最快最好的CV/DL/AI论文、实战项目、行业前沿、从入门到精通学习教程等资料，一定要扫描下方二维码，加入CVer知识星球！最强助力你的科研和工作！
▲扫码加入星球学习
▲点击上方卡片，关注CVer公众号
整理不易，请点赞和在看
▲扫码或加微信号: CVer2233，进交流群
CVer计算机视觉（知识星球）人数破万！如果你想要了解最新最快最好的CV/DL/AI论文、实战项目、行业前沿、从入门到精通学习教程等资料，一定要扫描下方二维码，加入CVer知识星球！最强助力你的科研和工作！
▲扫码加入星球学习
▲点击上方卡片，关注CVer公众号
整理不易，请点赞和在看