Laporan teknis Mach-Mind-4-Flash memperkenalkan model agentic Mixture-of-Experts (MoE) dengan 35 miliar parameter, di mana hanya 3 miliar parameter yang diaktifkan. Melalui optimasi pasca-pelatihan saja, model ini mencapai kinerja yang setara atau melampaui model kelas 100 miliar parameter tanpa meningkatkan komputasi pra-pelatihan.
Pipeline ini mencakup tiga tahap kunci: infrastruktur RL/OPD terpadu yang memberikan percepatan pelatihan sebesar 17%; Distilasi On-Policy Multi-Guru (MOPD) untuk menggabungkan ahli spesifik domain; dan Optimisasi Kebijakan Median-Hibrida (HMPO), yang memadatkan rantai penalaran sebesar 19--46% dengan kehilangan akurasi minimal. Model ini mencetak skor 92,70 di AIME'26, 82,82 di IFBench, dan memimpin atau menyamai model dengan ukuran aktif 10--30 kali lipat lebih besar.
Dengan memperkenalkan lingkungan interaksi agentic yang dapat diskalakan untuk pembelajaran penguatan, para penulis menunjukkan peningkatan kinerja yang signifikan pada tugas aplikasi dunia nyata dengan biaya inferensi yang jauh lebih rendah.