理想汽车基础模型团队发布 Mach-Mind-4-Flash 技术报告——只靠后训练阶段的精修，就让 35B 总参数 / 3B 激活参数的 MoE 模型在多项基准上追平甚至反超千亿参数级对手。流水线分三段：第一阶段搭建统一的 RL/OPD 训练基础设施，靠动态多教师调度和算子级加速把端到端训练速度推高 17%；第二阶段用 Multi-Teacher On-Policy Distillation（MOPD）把 Reasoning/General/Agent 三路领域 RL 专家并行训练，再用 routed reverse-KL 目标融合成单一通才，绕开"混合奖励跷跷板"的退化陷阱；第三阶段是 Hybrid Median-length Policy Optimization（HMPO），单阶段内把推理链长度压缩 19–46%，精度损失 ≤0.7pp。最终跑出 AIME'26 92.70、IFBench 82.82、Behavioral-SafetyBench 80.74、BFCL-v4 75.80、BrowseComp-zh 72.31、ClawBench 84.20 等成绩——在智能体、推理、安全多个维度上以 10–30 倍更小的激活参数打败同级对手，把"参数堆叠"叙事进一步压缩。