摘要
本文提出 Mach-Mind-4-Flash，一款拥有 350 亿参数（激活 30 亿）的混合专家代理模型。仅通过后训练优化，其性能媲美或超越千亿级模型。研究构建了可扩展的代理交互环境以进行大规模强化学习，流程包含三阶段：统一 RL/OPD 训练基础设施、多领域专家并行训练并通过多教师在线策略蒸馏融合、以及混合中长策略优化方法。该方法在压缩 19%-46% 推理链长度的同时保持高精度，在 AIME'26 等关键推理基准上取得领先成绩。
AI 推荐理由
论文核心在于通过 RL 优化推理链效率与精度，显著提升数学及逻辑推理基准表现。
研究机构
Li Auto Inc.
论文信息