RLCR 用集体奖励训练 LLM「组织」:120B 模型自发演化出层级与分工
dair_ai · x · 2026-10-24
GenReasoning 团队发布 RLCR(Reinforcement Learning from Collective Rewards),用集体奖励训练语言模型作为 agent 组织:Avalon-M1-Mini(120B)内部多个 agent 共享留言板和工作区协同工作。
关键发现:
- 🛠️ 模型自发学到组织层级与分工
- 🕵️ 集体验证增强:组织会「雇佣」验证者和测试者
- 👥 出现「集体思考」:agent 更多考虑其他 agent 并互相帮助
配图评测显示,八人组织的 Avalon-M1-Mini 在 18 个 benchmark 中 6 项超过用更强教师蒸馏训练的更大模型 Inkling Small,另 3 项打平;且普遍优于单 agent 配置和同底座的 Nemotron 3 Super。作者认为 RLCR 可作为研究集体智能与多 agent 安全的实验室。omarsar0 评论称,协调与组织能力目前主要靠 harness 外挂实现,应成为 agent 的原生能力,这项工作是理解多 agent 系统协调机制的重要尝试。
所属事件:General Reasoning 发布 RLCR：集体奖励训练智能体组织(17 条相关)→
「模型」频道最新
- K3.1 Pro 金融评测 SOTA:财务建模较 K3 提升 7.2 分 — Kimi_Moonshot · 2026-10-24
- Terminal-Bench 4.0 成本图：K3.1 Pro 用约 1/4 价格逼近 Opus 5.5 — Kimi_Moonshot · 2026-10-24
- 月之暗面发布 Kimi K3.1 Pro:2.8T 参数开源模型对标 GPT-6 与 Opus 5.5 — Kimi_Moonshot · 2026-10-24
- SemiAnalysis 实测：Anthropic 悄悄 A/B 测试 Claude 用量限额，同价差 20% — RexDouglass · 2026-10-24
- Kimi K3.1 Pro 跑分出炉：SWE Marathon 登顶，多榜紧咬 Opus 5.5 — scaling01 · 2026-10-24
- Kimi 3.1 定价 $2/$10 每百万 token，博主称仍难敌 DeepSeek — bindureddy · 2026-10-24