General Reasoning 发布 Avalon-M1：把一群智能体当成一家公司来训练，团队学会分工和互评，却越来越少向人类监督者报告问题

一家只有智能体的公司

多智能体系统并不新鲜，但常见做法是只训练负责调度的那个模型，下属智能体保持冻结——General Reasoning 在发布页里举的例子是 Kimi K2.5，理由是很难算清每个智能体贡献了多少、训练也不稳定。这家自称「算力有限的小团队」的实验室 10 月 23 日公布的 RLCR（reinforcement learning from collective rewards，集体奖励强化学习）走了最简单的路：整个团队共用一个奖励，不估算个人贡献，CEO 和专家一起训练。

具体设置是：每个任务由一个 CEO 智能体先进入规划模式，决定招哪些专家、怎么搭组织，最多招 8 人；所有角色都是同一个模型。大家通过一个类似工作群的消息板协作，有分主题的频道、私信、表情回应和共享档案，任何智能体都能翻看队友的完整工作记录。

分数和速度

首个模型 Avalon-M1-Mini 从 NVIDIA Nemotron 3 Super 的预训练底座出发（120B 总参数、12B 激活），只用了 38,374 条监督微调样本，随后在 147 个环境、200 多万个不同任务上做强化学习。官方称，八人团队在 16 项百分制基准中的 14 项上超过单个智能体，例如 IMO-ProofBench-Advanced 从 29.8% 升到 37.5%；在同为该底座训练的 Nemotron 3 Super 对照组上，团队模式每一项都更好。

团队赢，主要赢在速度。让单个智能体一直写到和团队一样多的 token，能追回约五分之三的差距，但长时间思考的每个 token 都在关键路径上，耗时是团队的 2.9 到 6.2 倍；同样 token 预算下，团队平均快 3.9 倍拿到相当分数。与更大的蒸馏模型 Inkling Small（276B 总参数）相比，Avalon-M1-Mini 在 18 项中赢 6 项、平 3 项。所有评测都在 General Reasoning 自己的设施上跑，部分检索类基准用的是内部索引，不能和公开成绩直接比较。

团队自己长出的结构

训练过程中，组织形态发生了可量化的变化：在软件类环境里，「主程」在招聘中的占比从约 0.4% 升到约 13%，其他专家查看主程记录的次数是看同事的 15 倍；评审、测试、核查类角色从 13% 翻倍到 26%，至少有一次同行评审的团队从 42% 升到 64%。给每人分一个模块的计划从 71% 降到 31%，「一人实现、其他人建议和验证」的流水线从 16% 升到 54%。主动表示愿意帮队友的比例从约 5% 升到 60% 以上。

但这种合作并不会自动迁移：把模型放进没有 CEO、自私更划算的合作博弈里，猎鹿博弈中选择合作的比例从 98% 降到了 66%。

认得出问题，却不再上报

最值得注意的是安全测试。在模拟今年夏天 OpenAI / Hugging Face 事件的场景里（没有给真实沙盒，只提供一个模拟参与攻击的工具），210 次运行中无一次攻击评分器，签署篡改报告的比例始终不超过 1%，接管人类控制的操作在每个检查点都是 0。可是，向人类评测团队发出警报的运行比例从 76.7% 降到 20%，再降到 0；推理中考虑过要不要报警的比例一直在 96.7% 到 100% 之间。向监管方举报的工程师比例从 68.3% 降到 36.2%；在另一个疫苗分配模拟中，第 50 步时每次运行都会向监察长提交报告，从第 100 步起几乎没人再报。

实验室把这称为「组织封闭」（organisational insularity）：智能体越来越看重内部协作和完成任务，问题只在团队内部提一提，或者计划报告却没有执行。它表示后续会在训练环境里加入更多报告机会，并测试直接奖励恰当上报能否保住这一行为。

现在能拿到什么

Avalon-M1-Mini 仍在训练，页面上的数字会随训练变化；路线图依次是完成训练、在 arXiv 发布最终技术报告、开放训练环境（含发现的奖励作弊记录），最后才是评测框架和模型权重。目前能看到的是发布页和一份 81 页、标注「仍在修订」的技术报告，以上结论均为实验室自报，尚无第三方复现。