Mach-Mind-4-Flash 기술 보고서는 활성화된 파라미터가 3B에 불과한 35B 파라미터 Mixture-of-Experts (MoE) 에이전트 모델을 소개합니다. 사후 학습 최적화만으로 사전 훈련 컴퓨팅을 확장하지 않고도 100B 파라미터 클래스 모델과 동등하거나 이를 능가하는 성능을 달성합니다.
파이프라인에는 세 가지 주요 단계가 포함됩니다: 17%의 훈련 속도 향상을 제공하는 통합 RL/OPD 인프라; 도메인별 전문가를 융합하기 위한 Multi-Teacher On-Policy Distillation (MOPD); 최소한의 정확도 손실로 추론 체인을 19--46% 압축하는 Hybrid Median-length Policy Optimization (HMPO). 모델은 AIME'26에서 92.70, IFBench에서 82.82의 점수를 획득하며, 활성화된 크기의 10--30배에 달하는 모델들과 동등하거나 앞서 나갑니다.
강화 학습을 위한 확장 가능한 에이전트 상호작용 환경을 도입함으로써 저자들은 추론 비용의 극히 일부로 실제 응용 프로그램 작업에서 상당한 성능 향상을 입증했습니다.