幣界網消息，Kimi在今年1月推出了K2.5版本的agent swarm，允許一個主agent招募和指揮最多300個子agent。其強化學習方法PARL只訓練負責指揮的「老闆」，凍結子agent。General Reasoning團隊推出了120B參數模型Avalon-M1-Mini，並提出了集體獎勵強化學習（RLCR），讓一個agent擔任CEO，最多招募8名員工，通過留言板和共享工作區協作。該方法在147個訓練環境中取得了持續改善，主管工程師在招募崗位中的佔比從0.4%升至約13%。目前Avalon-M1-Mini仍在訓練中，團隊計劃在訓練完成後發布最終論文，並開源訓練環境、agent框架和模型權重。