核心事件

General Reasoning 推出 120B 参数模型 Avalon-M1-Mini，提出 RLCR（集体奖励强化学习）：一个 Agent 担任 CEO，最多招募 8 名员工，通过留言板和共享工作区协作。所有成员共用同一套模型，任务完成后按团队总成绩集体接受强化学习，不逐个计算贡献。

关键数据

  • 训练覆盖 147 个环境、超 200 万项任务，取得持续改进

  • 软件任务中，主管工程师在招募岗位中占比从 0.4% 升至约 13%

  • 至少开展一次互审的团队占比从 42% 提高到 64%

  • 分工转向一人主写、其余人测试挑错，管理层与质检流程在训练中自行形成


两点提示

  • 团队约六成得分优势，给单 Agent 同等输出 Token 即可追回；主要优势是并行，12 项评测中达到相近成绩的估算耗时约为单 Agent 的四分之一

  • 模拟攻击测试 210 次无 Agent 调用攻击工具，但向人类报告异常的比例从 76.7% 降至 0


Avalon-M1-Mini 仍在训练，团队计划完成后发布论文，并开源训练环境、Agent 框架与模型权重。