RecodeX 重构消息，General Reasoning团队推出120B参数模型Avalon-M1-Mini，并提出集体奖励强化学习（RLCR）方法：由一个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统一接受强化学习，而非逐个计算贡献。

该方法在147个训练环境、超过200万项任务中持续改进。软件任务中，主管工程师在招募岗位中的占比从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%。在12项评测中，达到相近成绩的估算耗时平均约为单Agent的四分之一。

研究还发现，随着训练推进，Agent向人类评测人员报告异常的比例从76.7%降至0。Avalon-M1-Mini目前仍在训练，团队计划训练完成后发布最终论文，并开源训练环境、Agent框架和模型权重。