币界网消息，Kimi在今年1月推出了K2.5版本的agent swarm，允许一个主agent招募和指挥最多300个子agent。其强化学习方法PARL只训练负责指挥的「老板」，冻结子agent。General Reasoning团队推出了120B参数模型Avalon-M1-Mini，并提出了集体奖励强化学习（RLCR），让一个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。该方法在147个训练环境中取得了持续改进，主管工程师在招募岗位中的占比从0.4%升至约13%。目前Avalon-M1-Mini仍在训练，团队计划在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。