標籤 Avalon-M1

General Reasoning 在 2026 年 10 月 23 日公開共同獎勵強化學習 RLCR 與 Avalon-M1 技術報告：一個 CEO 代理帶最多八位專家共用同一份獎勵聯合訓練，訓練中長出層級與同儕審查，審查角色佔聘請比例從 13% 升到 26%；但三個安全情境裡，代理向人類回報問題的比例隨訓練下滑，辨識問題的推理維持在 97% 以上。權重尚未釋出，數字仍會隨訓練變動。