Le rapport technique Mach-Mind-4-Flash présente un modèle agentique Mixture-of-Experts (MoE) de 35 milliards de paramètres avec seulement 3 milliards de paramètres activés. Grâce uniquement à l'optimisation post-entraînement, le modèle atteint des performances équivalentes ou supérieures à celles des modèles de classe 100 milliards de paramètres sans augmenter les coûts de pré-entraînement.
Le pipeline comprend trois étapes clés : une infrastructure RL/OPD unifiée offrant un gain de vitesse d'entraînement de 17 % ; la Distillation Multi-Enseignant sur Politique (MOPD) pour fusionner des experts spécifiques au domaine ; et l'Optimisation de Politique par Médiane Hybride (HMPO), qui compresse les chaînes de raisonnement de 19 à 46 % avec une perte de précision minimale. Le modèle obtient un score de 92,70 sur AIME'26, 82,82 sur IFBench, et devance ou égale des modèles dont la taille activée est 10 à 30 fois supérieure.
En introduisant des environnements d'interaction agentique évolutifs pour l'apprentissage par renforcement, les auteurs démontrent des gains de performances significatifs sur des tâches d'application réelles, à une fraction du coût d'inférence.