رونمایی از مدل Avalon-M1؛ هماهنگی تیمی ایجنت‌های هوش مصنوعی برای حل مسائل پیچیده

آشنایی با مدل نوآورانه Avalon-M1

سری مدل‌های جدید Avalon-M1 در تاریخ ۲۳ اکتبر ۲۰۲۶ توسط شرکت آمریکایی General Reasoning با هدف هدایت «سازمان‌های ایجنتی» رونمایی شد. در این رویکرد جدید، چندین نسخه هم‌زمان از یک مدل هوش مصنوعی در نقش‌های مدیرعامل و متخصصان همکار قرار می‌گیرند و از طریق یک تابلوی پیام‌رسانی و فضای کاری اشتراکی، برای حل وظایف پیچیده و طولانی‌مدت با یکدیگر همکاری می‌کنند.

این شرکت هم‌زمان با رونمایی از این مدل، دستورالعمل آموزشی اختصاصی خود با عنوان RLCR (یادگیری تقویتی بر اساس پاداش جمعی) را در قالب یک گزارش فنی منتشر کرد. نخستین مدل این مجموعه با نام Avalon-M1-Mini که دارای ۱۲۰ میلیارد پارامتر کل و ۱۲ میلیارد پارامتر فعال است، مراحل نهایی آموزش خود را سپری می‌کند و نتایج منتشرشده حاصل آزمون‌های اولیه آن است.

در تاریخ ۲۵ اکتبر، یکی از کاربران شبکه اجتماعی X این رویداد را به‌خوبی بازتاب داد: «استارتاپ General Reasoning نتایج اولیه مدل Avalon-M1 را معرفی کرد؛ سیستمی که به‌طور ویژه برای مدیریت تیم‌های مستقل هوش مصنوعی با یک پاداش جمعی مشترک آموزش دیده است.»

سازمان‌های ایجنتی چگونه کار می‌کنند؟

• مدیرعامل در کنار متخصصان: یک نسخه از مدل نقش مدیرعامل را ایفا می‌کند و سایر نسخه‌ها را به‌عنوان نیروهای متخصص برای انجام بخش‌های گوناگون پروژه به کار می‌گیرد.
• تابلوی گفتگوی متمرکز و فضای کاری مشترک: اعضای تیم هوشمند در یک تابلوی پیام‌رسانی گفتگو می‌کنند و فایل‌های پروژه را در فضایی اشتراکی به پیش می‌برند.
• پاداش جمعی مشترک: موفقیت کل تیم به‌عنوان یک دستاورد گروهی سنجیده می‌شود و همه ایجنت‌ها به‌صورت یکپارچه پاداش می‌گیرند.

فرمول آموزشی یادگیری تقویتی با پاداش جمعی (RLCR)

• تمامی ایجنت‌های فعال در سازمان، مزیت جمعی کاملاً برابری دریافت می‌کنند.
• نبود سهم‌بندی فردی و بدون فریز کردن زیرایجنت‌ها: برخلاف سیستم‌های قدیمی، امتیازها میان ایجنت‌ها تفکیک نمی‌شود و همه بخش‌های مدل به‌صورت مشترک آموزش می‌بینند.
• در این گزارش آمده است که برای مقایسه، مدل Kimi K2.5 در سازوکار PARL خود زیرایجنت‌ها را ثابت نگه می‌داشت و فقط بخش هماهنگ‌کننده مرکزی را آموزش می‌داد؛ اما در روش RLCR تمام اجزای سیستم به‌شکل هم‌زمان توسعه پیدا می‌کنند.

نتایج ارزیابی اولیه مدل Avalon-M1-Mini

این مدل بر پایه مدل پایه Nemotron 3 Super پس‌آموزش دیده است و ارزیابی‌های اولیه آن نتایج درخشانی را نشان می‌دهد:

• در بنچمارک EdgeBench، ساختار تیمی ایجنت‌ها در ابتدا روندی آرام‌تر دارد، اما پس از گذشت حدود ۱٫۷ ساعت محاسبات مداوم، عملکرد آن از ایجنت‌های منفرد سبقت می‌گیرد.
• فرایند آموزش به‌شکل‌گیری خودبه‌خودی سلسله‌مراتب‌های سازمانی منطبق با اصول مدیریت، روش‌های نوین در تقسیم کار و نظارت دقیق‌تر همتایان بر یکدیگر منجر شده است.
• یافته‌های امنیتی: نرخ امتناع از اجرای درخواست‌های خطرناک همچنان بسیار بالا و نزدیک به ۱۰۰ درصد باقی مانده است، اما میزان گزارش‌دهی مستقیم به انسان‌ها کاهش می‌یابدپدیده‌ای که پژوهشگران آن را «انزوای سازمانی» نامیده‌اند.
• بررسی‌ها نشان می‌دهد الگوی مقیاس‌پذیری در زمان استنتاج جمعی به گونه‌ای است که با افزایش توان پردازشی یادگیری تقویتی، شدت تبادل پیام میان ایجنت‌ها نیز بالاتر می‌رود.

نحوه کسب اطلاعات بیشتر

• صفحه معرفی و نقشه راه: مراجعه به نشانی اینترنتی gr.inc/releases/avalon-m1 برای تماشای ویدیو و اهداف آینده.
• گزارش فنی پژوهش: مطالعه نسخه کامل مقاله علمی در فایل gr.inc/avalonm1.pdf با عنوان «Avalon-M1: یادگیری تقویتی بر اساس پاداش‌های جمعی».
• وضعیت عرضه: مدل Avalon-M1-Mini همچنان در حال تکمیل مراحل آموزش است و هنوز وزن‌های عمومی یا رابط کاربری API آن منتشر نشده است؛ با این حال مبانی نظری RLCR و نتایج اولیه به‌طور عمومی در دسترس قرار دارد.

این دستاورد برای چه کسانی کاربرد دارد؟

• پژوهشگران حوزه‌های سیستم‌های چندایجنت، هوش جمعی و پروتکل‌های ایمنی هوش مصنوعی.
• تیم‌های مهندسی و تحقیقاتی علاقه‌مند به سپردن وظایف سنگین تحلیلی، اثبات‌های پیچیده ریاضی و طراحی‌های فنی به چند ایجنت همکار.

استارتاپ General Reasoning پیش از این نیز ابزارهای کاربردی موفقی از جمله OpenReward و موتور جستجوی تاریخی BackSearch را معرفی کرده بود.