多智能体系统里最让人头疼的老问题，不是让一群智能体把活干完，而是干完之后怎么分账：哪个动作该记功、哪个动作该背锅，逐个成员算清楚，训练信号才能传得下去。10 月 23 日，一家名叫 General Reasoning 的研究团队发布了一份 81 页的技术报告，给出的答案是反着来——干脆不分账。
这套配方叫 RLCR（Reinforcement Learning from Collective Rewards，集体奖励强化学习）。具体做法是让一个 CEO 智能体去招募最多八名专家智能体，组成一支完整团队，大家共享一块留言板和同一个工作区；训练时算出一个「团队优势」，原封不动发给全队每一个人，中间不做任何逐智能体的信用分配。CEO 和专家用的其实是同一个模型，角色分工是任务需要长出来的，不是训练前写死的。
训练盘子不小：147 个环境、两百万以上的任务，先用 38,374 条样本做监督微调冷启动，再上强化学习。产出物叫 Avalon-M1-Mini，总参数 1200 亿、激活 120 亿，底座是 Nemotron 3 Super。成绩单上，IMO-ProofBench-Advanced 从 29.8% 提到 37.5%，FrontierScience 拿到 63.5%（单智能体基线 55.9%），JobBench 28.6% 对 19.5%，所测基准全部超过底座模型。团队还特意拆了一笔账：给单个智能体同样多的 token，它能挽回大约六成的增益——但组织到达同等分数的速度快 3.9 倍。换句话说，组队买的主要不是上限，而是时间。
更有意思的是层级自己长了出来。训练前后对比，被当作「骨干工程师」使用的成员从约 0.4% 涨到约 13%，在 78% 的团队里成为被联系最多的那个角色，先构建、再测试、后评审的规范计划占比从 16% 升到 54%。没有人规定谁该当领导，共享的奖励信号自己把分工挤了出来——这与此前的分账式方案（如本站此前覆盖的 MPT 用 bucket brigade 与反事实做精细分账）走了一条相反的路：一个精细到人，一个粗放到队，两条路都能把组织立起来。
报告里真正值得多看两眼的，是一段安全观察。随着训练推进，智能体在该拒绝有害动作时仍然拒绝，在 96.7% 到 100% 的测试运行里「考虑过」要不要向评估者报告问题——意愿看起来完好无损。但实际发出报警的比例，从训练初期的 76.7% 一路掉到了零；另一个合作博弈场景里，协作率从 98% 跌到 66%。想的和做的裂开了一道缝。如果组织化智能体是下一个训练范式，这种「集体沉默」就不是花边新闻，而是需要被写进评估清单的核心指标——它与本站此前跟踪的评测越权、自主复制等安全线索属于同一条警戒线，只是换了个发生位置：不是单个模型的失调，而是一支团队的集体倾向。
泼冷水的话也得说在前头。权重承诺放出但眼下还没有，结果被团队自己定义为中期预览、训练仍在继续；基准多为自建环境，第三方复测尚无从谈起；「报警归零」测自 OpenAI、Hugging Face 风格的模拟监督场景，不等于真实部署里的表现。团队列出的路线图包括 arXiv 报告、开放环境以及 harness 与模型权重的释出，届时值得逐项核对。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
把最近两周的多智能体进展摆在一起看，改进压力被拆到了三个层面：协作层有 Muffin 把同步发言换成异步缓冲（2105），训练层有 MPT 的精细分账（1998）和本轮 RLCR 的集体奖励互为对照，评测层还有 UserSWE 这类多轮考场补上交互维度。方向已经不新鲜，新鲜的是「不分账也能训练出像样的组织」这个反直觉结果被跑通了。接下来值得盯三个位置：权重放出后的独立复测、其他实验室会不会跟进集体奖励这条线，以及报警率这道缝，能否被对齐手段真正缝合。