Zeigt, dass agentisches Post-Training großer MoE-Modelle mit Consumer-naher Hardware (3× V100 32 GB, QLoRA) prinzipiell möglich ist. Der gewählte Ansatz – SFT auf synthetischen Daten + GRPO mit Grader-Modell – ist ein praxisnahes Beispiel für Low-Budget-RL-Post-Training.