SMP 2026 论坛预告｜数据挖掘分论坛

一、会议简介

全国社会媒体处理大会（China National Conference on Social Media Processing）由中国中文信息学会社会媒体处理专业委员会主办，专注于以社会媒体处理为主题的科学研究与工程开发，为传播社会媒体处理最新学术研究与技术成果提供广泛的交流平台，旨在构建社会媒体处理领域的产学研生态圈，成为中国乃至世界社会媒体处理的风向标。全国社会媒体处理大会创办于 2012 年，每年举办一次，现已成为社会媒体处理领域的重要学术活动。

第十四届全国社会媒体处理大会（SMP 2026）将于 2026 年 11 月 12 ~ 15 日在北京召开，由中国传媒大学媒体融合与传播国家重点实验室承办。大会主题是“大模型驱动人机共生”，旨在探索大模型日益普及的今天，大模型与人类社会深度共生的途径，聚焦大模型和智能体技术如何赋能人机协同的价值释放。

二、会议安排

会议时间：2026 年 11 月 12 日-15 日

2026 年 11 月 12 日-13 日：前沿技术讲习班
2026 年 11 月 14 日-15 日：主会议（特邀报告、分论坛等）

会议地点：北京辽宁大厦

会议官网：http://smp2026.cips-smp.org/

三、论坛简介

本论坛聚焦递归自进化（Recursive Self-Improvement, RSI）的前沿进展，探讨人工智能如何将交互经验与反馈信号转化为持续的能力提升，从依赖人工迭代走向自主改进。四场报告分别从数据、模型与智能体三个视角展开。在数据层面，介绍"评估诊断—数据优化—模型更新"的数据驱动闭环。在模型层面，探讨如何像研究物理世界一样发现 AI 的规律，并借助元模型让 AI 自动研究和设计 AI。在智能体层面，讨论长程任务中的上下文管理与 Harness 自动化，以及模型、环境与数据之间的反馈闭环和经验复用。论坛希望共同探索可验证、可持续的递归自进化技术路径。

论坛主题：多重视角下的递归自进化：数据、模型与智能体

论坛日程：

论坛主席：

/ 杨洋 /

杨洋，浙江大学人工智能学院副院长、教授、博导，国家优青项目获得者。聚焦面向大规模图数据、时间序列、大语言模型推理的人工智能领域前沿问题，已发表权威会议期刊论文近百篇。近年来负责主持国家自然科学基金项目、浙江省杰出青年基金项目、国家电网/蚂蚁金服科研基金等 30 余项国家级、省部级和企业科研项目。获人工智能国际顶级会议 AAAI'23 杰出论文奖、中国教育部科技进步一等奖、吴文俊人工智能科技进步一等奖等荣誉。担任国际权威学术期刊 IEEE Transactions on Big Data 编委（Associated Editor）、国际顶级会议 WWW'21 Sponsor Chair，并持续担任 KDD、WWW、AAAI、IJCAI、SIGIR 等重要国际学术会议程序委员会委员 20 余次和 TKDE、TOIS、TKDD 等 Transacations 期刊的审稿人，获得 WSDM'19 杰出评审奖。作为中国中文信息学会社会媒体处理专委会秘书、CAAI 教育工作委员会副秘书长等，持续参与学术服务工作。

四、报告信息

一、生产力长程智能体

/ 桂韬 /

嘉宾简介：桂韬，复旦大学副教授，国家级青年人才。研究领域为预训练模型、类人对齐和智能体交互。在高水平国际学术期刊和会议上发表了 80 余篇论文，曾获钱伟长中文信息处理科学技术奖一等奖、NeurIPS 2023 大模型对齐 Track 最佳论文奖、第七届“中国科协青年人才托举工程”、上海市启明星计划。

报告摘要：本次演讲围绕“生产力长程智能体”展开，重点聚焦长上下文场景下的上下文压缩、上下文管理与上下文学习能力建设，介绍如何通过 Harness 体系将数据构造、提示组织、上下文选择、压缩策略、任务执行、自动评测与结果分析串联成可复用的自动化流程。演讲将结合工程实践，讨论如何在有限上下文窗口内保留关键信息、提升多轮任务的一致性与可控性，并通过 Harness 自动化支持不同策略的快速实验、对比评测和持续迭代，从而推动大模型在复杂任务和真实业务场景中的稳定落地。

二、Data-centric RSI：数据驱动的递归自进化

/ 张文涛 /

嘉宾简介：张文涛，北京大学研究员、博士生导师、博雅青年学者，北大-腾讯大模型数据联合实验室主任。主要研究方向为以数据为中心的人工智能（Data-centric AI）、大模型数据基础设施（LLM Data Infra）与数据智能体（Data Agent）。近五年以第一作者或通讯作者发表 CCF-A 类论文 100 余篇，多次获最佳论文奖，谷歌学术引用逾 1.7 万次。担任 NeurIPS、AAAI、ACL、WWW、SIGKDD 等国际会议领域主席，主持国家自然科学基金、科技部、教育部、北京市科委及校企合作科研项目 20 余项。入选国家级青年人才计划、智源学者和浦江青年学者，曾获广东省科技进步特等奖、中国电子学会科技进步一等奖、世界互联网大会领先科技成果奖、ACM SIGMOD China 新星奖及世界人工智能大会云帆奖等荣誉。课题组开源的 DataFlow、MinerU 等数据基础设施项目累计获 GitHub Stars 超 10 万。个人主页：https://zwt233.github.io/

报告摘要：本报告聚焦以数据为中心的递归自我改进（Data-centric RSI），探讨如何通过数据与模型的协同迭代推动智能能力持续提升。围绕 DataFlow 数据基础设施，介绍从模型能力评估与短板诊断出发，定向获取、生成和筛选训练数据，结合动态训练实现模型更新，再利用改进后的模型优化数据生产与治理策略，形成“评估诊断—数据优化—模型更新—策略改进”的递归闭环，为 Data-centric RSI 提供可落地的技术路径。

三、从 AI 的物理学到 AI 自进化

/ 刘子鸣 /

嘉宾简介：刘子鸣，清华大学人工智能学院助理教授、上海期智研究院 PI、元环智能（Meta Circle）创始人。北京大学物理学本科、MIT 物理学博士，曾在斯坦福大学从事博士后研究，师从 Max Tegmark 教授。曾获 Google PhD Fellowship，代表性研究包括 Kolmogorov-Arnold Networks（KAN），相关研究累计获得超过一万次学术引用，并受到 Quanta、MIT News、Scientific American 等国际媒体报道。目前致力于推动人工智能从经验驱动的“炼丹”走向科学驱动的模型设计，创立元环智能，提出“Scale Insight, Not Compute”的理念，通过研发能够理解、预测和设计 AI 模型的“元模型”（Meta Model），探索下一代 AI 架构的自动化发现，并推动其在大模型、时间序列预测、世界模型等领域的应用。

报告摘要：今天的 AI 已经展现出了惊人的能力，但我们对 AI 本身的理解仍然处在一个非常早期的阶段。本次报告将讨论一个基本问题：我们能否像研究物理世界一样，建立一门关于 AI 的科学，并最终用这门科学反过来创造更好的 AI？我将首先介绍 Physics of AI 的两条路线。第一条路线是从 AI 的复杂现象中寻找简单的数学规律：通过 symbolic regression 等方法，从大量实验数据中自动提取可解释的符号公式，寻找隐藏在神经网络背后的“定律”。第二条路线则更接近现象学：在寻找定律之前，我们首先需要建立一套描述 AI 的语言，对训练过程中反复出现的现象进行定义、分类和组织。我将以 grokking 等训练动力学现象为例，展示如何从观察现象出发，逐渐建立关于 AI 的可积累知识体系。最后，我将讨论如何从 Physics of AI 走向 AI for AI。如果我们能够描述 AI、发现 AI 的规律，并预测 AI 的行为，那么下一步自然是让 AI 自己完成这些过程。我将介绍我们在元模型（Meta Model）等方向上的探索：让模型学习“模型本身”，预测不同架构和训练配置的行为，设计实验、发现规律，并最终形成一个能够自动研究和设计 AI 的闭环。

四、Agentic AI 的进化配方：模型、环境与数据的反馈闭环

/ 林涛 /

嘉宾简介：林涛，西湖大学工学院人工智能系特聘研究员、博士生导师、独立 PI，入选国家级青年人才计划。2022 年获瑞士洛桑联邦理工学院（EPFL）博士学位。主要研究方向包括多模态智能体的高效训练与推理，以及自主科学发现系统。相关研究成果获 ECCV 2024 最佳论文提名，并连续入选斯坦福大学“全球前 2% 顶尖科学家榜单”。

报告摘要：智能体在执行任务时不断产生交互经验，但如何将这些经验转化为可复用的能力，使系统在后续任务中更加可靠、高效，仍是实现持续自进化的关键问题。本报告围绕“如何学得更好、下一步学什么、如何执行得更好”三个问题，讨论模型、环境、数据与执行框架之间的反馈关系。首先，以 AWorld 为基础介绍跨环境交互与经验采集，并结合 Environment Tuning 和 ProAS，说明环境反馈、进度奖励与动作级信用分配如何改善模型学习；随后，通过 RODS 和 Trajectory2Gym，探讨如何依据模型的能力边界调整训练任务，以及如何构建有依据、可学习的多步交互示范；进一步介绍 RHE，说明如何从执行证据中提炼行为准则（Rubrics），指导执行框架（Harness）的修改，并通过评测与经验复用支持后续进化。在此基础上，简要展望智能体持续自进化的研究方向。