IQuest-Q1 至知创新研究院开源的 Agent 基础模型
IQuest-Q1是什么
IQuest-Q1是至知创新研究院开源的Agent基础模型，主打代码与智能体任务。IQuest-Q1采用稀疏MoE架构，总参数320B、每token仅激活15B，推理成本低。IQuest-Q1在合成环境中经多harness强化学习和多教师在线蒸馏（MOPD）训练，可接入Claude Code或Codex，在NL2Repo、CyberGym等榜单位居前列，整体表现均衡，擅长前端生成、办公自动化与AI研发诊断。
IQuest-Q1的主要功能
- 仓库级代码生成 ：一句话需求可生成完整可运行的多文件项目，在 NL2Repo 榜单上位列开源模型第一梯队。
- CLI 智能体操作 ：能读写代码库、调用命令行工具、检查结果并从错误中恢复，可无缝对接 Claude Code 和 Codex 使用。
- 前端交互应用生成 ：一次生成包含 3D 场景、交互逻辑和视觉呈现的可运行网页应用，如 FPS 游戏、赛车游戏、体素海底城市等。
- 办公全流程自动化 ：通过飞书 lark-cli 交叉核对聊天记录与文档，完成事件定级、报告撰写、任务分配与进度跟踪的完整闭环。
- AI 研发自我诊断 ：能追查强化学习训练异常，定位根因、修复代码并用新指标曲线验证结果。
- 多步复杂任务执行 ：面向中长程任务，可持续数小时自主推进，覆盖网络安全、终端操作等场景。
IQuest-Q1的技术原理
- 稀疏 MoE 架构 ：模型采用 decoder-only Transformer 主干加稀疏混合专家结构，总参数约 320B，但每个 token 仅激活约 15B 参数。
- 分阶段训练流程 ：训练分为预训练、中期训练和后训练三段：预训练奠定通用能力和世界知识；中期训练将数据分布转向代码与 STEM，加入长上下文智能体轨迹；后训练围绕软件工程、长时程任务和通用推理做专项的 SFT 与强化学习收敛。
- 合成环境与多 Harness 强化学习 ：团队在真实 API、MCP 服务器和仓库构建的可执行环境中合成任务，让单一策略跨多个 harness 训练，保留各自的工具与上下文管理方式，使模型学到的是解题本身，还有在真实智能体系统中工作的行为模式；优化前先进行失败归因，只有模型自身的错误才成为学习信号。
- MOPD 多教师在线蒸馏 ：强化学习产出四个方向的专业模型，智能体体验、多 harness 协作、长程任务、通用智能体工作；MOPD 以 SFT 检查点初始化的学生模型在自己的轨迹上学习，由对应专家逐 token 打分，再经分阶段稳定模型合并，将多个专家折叠收敛为单一的 IQuest-Q1。
- 机协同的自进化研发流程 ：研发过程中模型参与自身的能力诊断、训练方案设计和部分实验执行，人类研究员负责方向调整、高成本实验和版本采用等关键决策；每轮验证后的模型更新、训练资产和流程沉淀下来供下一轮直接复用，形成持续迭代的闭环。
如何使用IQuest-Q1
- 获取模型权重 ：从 Hugging Face或 GitHub 仓库下载模型权重与推理代码，ModelScope 渠道即将上架。
- 部署推理服务 ：用 SGLang或 vLLM 启动 OpenAI 兼容的推理服务，需 8 卡张量并行（TP=8）、bfloat16 精度，并加载 IQuest 专用的 tool-call 和 reasoning 解析器。
- 加速与调参（可选） 如需更高吞吐，可启用递归 MTP 投机解码；复现官方评测建议 temperature=1.0、top-p=0.95、top-k=20。
- 直接调用模型 通过 Python API 或 OpenAI 兼容接口直接发起请求，使用 IQuest 格式的 chat template 进行工具调用和推理。
- 接入 Agent 工具使用 ：通过支持工具调用的网关接入 Claude Code或 Codex CLI，设置好网关地址和 API Token 后可让 IQuest-Q1 驱动智能体完成任务。
IQuest-Q1的核心优势
- 极致推理效率 ：320B 总参数但每 token 仅激活 15B，用接近小模型的推理成本获得旗舰级的任务能力。
- 成绩均衡全面 ：在 DeepSWE、NL2Repo、CyberGym、Terminal-Bench、JobBench 等八个榜单全部稳居前列，无能力短板。
- 代码能力突出 ：仓库级生成 NL2Repo 拿到 63.0 分，超越 DeepSeek-V4-Pro 和混元 Hy4，位列开源模型第一梯队。
- 真实智能体闭环 ：不仅能生成代码，还能读日志、调工具、从错误中恢复，交付可验证的最终结果。
- 一键接入主流 Agent ：提供 OpenAI 兼容接口和官方 Docker 镜像，可直接替换进 Claude Code 和 Codex 使用。
IQuest-Q1的项目地址
- 项目官网 ：https://iquestlab.github.io/
- GitHub仓库 ：https://github.com/IQuestLab/IQuest-Q1
- HuggingFace模型库 ：https://huggingface.co/IQuestLab/IQuest-Q1
IQuest-Q1的同类竞品对比
对比维度 | IQuest-Q1（至知创新） | DeepSeek-V4.1-Flash（深度求索）
| 对比维度 | IQuest-Q1（至知创新） | DeepSeek-V4.1-Flash（深度求索） |
|---|---|---|
| 架构 | 稀疏 MoE，decoder-only Transformer | 稀疏 MoE |
| 总参/激活参数 | 320B / 15B | 未完全公开（Flash 为高效推理档） |
| 定位 | 专精 CLI 智能体的开源基础模型 | 通用旗舰的轻量推理版本 |
| DeepSWE v1.1 | 64.3 | 74.2（胜） |
| NL2Repo | 63.0（胜） | 未上榜/61.5（Pro 版） |
| CyberGym | 84.5 | 88.1（胜） |
| Agents’ Last Exam | 29.6 | 31.8（胜） |
| Humanity’s Last Exam | 39.2 | 38.6（IQuest 略胜） |
IQuest-Q1的应用场景
相关工具
与本文相关的 AI 工具
