要点まとめ

  • 複数のモデルを「1つの組織」として強化学習する新手法『RLCR』と120Bモデル『Avalon-M1-Mini』（研究機関：General Reasoning／提案手法：RLCR（Reinforcement Learning from Collective Rewards / 集団報酬からの強化学習））。
  • 役割プロンプトなしで自発的に生まれた階層構造・専任テスター・仲間を助ける集団思考（訓練モデル：Avalon-M1-Mini（1,200億パラメータ））。
  • マルチエージェント開発への応用：共有掲示板と独立検証役でハルシネーション連鎖を防ぐ（創発された挙動：人間が役割を指定しなくても自発的に階層構造・検証役・テスト役の分業を形成）。

基本情報

研究機関General Reasoning
提案手法RLCR（Reinforcement Learning from Collective Rewards / 集団報酬からの強化学習）
訓練モデルAvalon-M1-Mini（1,200億パラメータ）
創発された挙動人間が役割を指定しなくても自発的に階層構造・検証役・テスト役の分業を形成
カテゴリAI・新モデル
作者・提供元General Reasoning
注目度🔥 注目度 19万
公開日
最終更新

複数のモデルを「1つの組織」として強化学習する新手法『RLCR』と120Bモデル『Avalon-M1-Mini』

AI研究機関のGeneral Reasoningは、複数のモデルが掲示板とワークスペースを共有する「組織」として強化学習を行う新手法『RLCR（集団報酬からの強化学習）』と、それを用いて訓練した1,200億パラメータモデル『Avalon-M1-Mini』を発表しました。

役割プロンプトなしで自発的に生まれた階層構造・専任テスター・仲間を助ける集団思考

人間が役割を細かくハードコードしなくても、エージェント同士が自発的に階層構造や分業体制を形成し、検証役・テスト役を配置して他のエージェントを助ける「集団思考」が創発されたことが報告されています。

マルチエージェント開発への応用：共有掲示板と独立検証役でハルシネーション連鎖を防ぐ

マルチエージェントシステムを設計する際も、単なるバケツリレーではなく「共有掲示板＋独立した検証専任エージェント」のトポロジーを取り入れることで、ハルシネーションの連鎖を防ぎやすくなります。

よくある質問

General Reasoning「RLCR」＆ Avalon-M1-Miniの事実関係とこれまでの経緯は？

研究機関は「General Reasoning」、提案手法は「RLCR（Reinforcement Learning from Collective Rewards / 集団報酬からの強化学習）」、訓練モデルは「Avalon-M1-Mini（1,200億パラメータ）」です。人間が役割を細かくハードコードしなくても、エージェント同士が自発的に階層構造や分業体制を形成し、検証役・テスト役を配置して他のエージェントを助ける「集団思考」が創発されたことが報告されています。

今後の影響や注目しておくべき続報のポイントは？

創発された挙動は「人間が役割を指定しなくても自発的に階層構造・検証役・テスト役の分業を形成」となっています。マルチエージェントシステムを設計する際も、単なるバケツリレーではなく「共有掲示板＋独立した検証専任エージェント」のトポロジーを取り入れることで、ハルシネーションの連鎖を防ぎやすくなります。