IQuest-Q1: Hvad du bør vide om modellen til kodeagenter

IQuest-Q1 er en model med åbne vægte fra IQuest Research, udviklet til kodeagenter i kommandolinjen – altså systemer, der kan undersøge et kodelager, bruge værktøjer og løse softwareopgaver i flere trin. Modellen kombinerer en sparsom mixture-of-experts-arkitektur med 320 mia. parametre i alt, cirka 15 mia. aktive parametre pr. token og et rapporteret kontekstvindue på 512K tokens. Design og træning er målrettet agentarbejde, men benchmarkresultater alene viser ikke, hvor pålideligt modellen løser en bestemt opgave i en CLI-opsætning. 26815

Udgivelse og licenser

Modelkortet på Hugging Face angiver licensen for modellen som iquest-q1. Ifølge omtale blev vægtene og modelkortet lagt op den 28. september 2026, mens IQuest Researchs offentlige lancering blev rapporteret dagen efter, den 29. september. GitHub-projektet indeholder også kode til inferens, men de tilgængelige kilder fastslår ikke en særskilt udgivelsesdato for koden. 456

Licensen for modelvægtene og licensen for inferenskoden er ikke den samme. GitHub-projektet kalder softwarelicensen Modified MIT og tilføjer et vilkår: Kommercielle produkter eller tjenester, der bruger softwaren eller afledte værker, skal vise “IQuest-Q1” tydeligt i brugerfladen. Modelkortet bruger derimod den separate licensbetegnelse iquest-q1. Gennemgå vilkårene for hver komponent, før den indgår i et produkt. 420

Arkitektur og kontekstvindue

Q1 er en decoder-only Transformer med en sparsom mixture-of-experts-arkitektur. Modellen har omkring 320 mia. parametre i alt, hvoraf cirka 15 mia. aktiveres pr. token. Konfigurationen angiver 256 eksperter, hvoraf otte aktiveres ad gangen. Modelkortet beskriver også et hybridt opmærksomhedsmønster, der blander lag med glidende vindue og fuld opmærksomhed. 26

Det rapporterede kontekstvindue er 524.288 tokens, ofte skrevet som 512K. Det giver plads til lange prompts og omfattende kontekst fra et kodelager, men gør ikke modellen let at køre: Den samlede model kræver stadig betydelige ressourcer, og hukommelsesforbrug og svartid afhænger blandt andet af opsætningen og den valgte kontekstlængde. 1214

Drift og integration med CLI-værktøjer

SGLang og vLLM nævnes som muligheder til at køre modellen. Vejledningen beskriver tensorparallelisering på flere GPU'er, blandt andet et eksempel med ottevejs parallelisering, frem for almindelig brug på én GPU. vLLM meldte også om understøttelse fra dag ét, herunder håndtering af modellens blandede opmærksomhedsmønster. 114

Modellen beskrives som kompatibel med kommandolinjeværktøjer til kode, herunder Claude Code og Codex CLI. I praksis bør teams afprøve værktøjskald, hukommelsesforbrug og svartid med deres egen agentopsætning og den kontekstlængde, de faktisk vil bruge. Et maksimalt kontekstvindue på 512K siger ikke i sig selv noget om, hvordan en bestemt driftopsætning klarer sig. 3

Trænet til agentopgaver

IQuest beskriver Q1 som trænet til kodning, ræsonnement, værktøjsbrug, forståelse af lange kontekster og opgaver med flere trin. Beskrivelser af udviklingsarbejdet nævner også reinforcement learning på tværs af flere agentmiljøer samt multi-teacher on-policy distillation (MOPD). Metoden skal træne modellen gennem dens egne interaktive forløb frem for udelukkende gennem statiske eksempelsvar. 6924

Træningsmetoderne forklarer modellens fokus på agentarbejde, men er ikke en garanti for pålidelig adfærd i alle værktøjsmiljøer. Resultaterne afhænger fortsat af den konkrete agentopsætning, opgaven og driftskonfigurationen.

Hvad de offentliggjorte benchmarks viser

Et opslag fra ModelScope angiver resultater på 84,5 i CyberGym, 83,2 i Terminal-Bench 2.1, 64,6 i DeepSWE v1.1 og 63,0 i NL2Repo. Testene dækker forskellige opgavetyper, blandt andet sikkerhedsopgaver, terminalbrug, længerevarende kodning og generering af kodelagre. Tallene er offentliggjorte resultater – ikke uafhængigt belæg for, at Q1 vil slå en anden model i en bestemt CLI-opsætning. Sammenligninger kræver ens benchmarkversioner og evalueringsvilkår. 1521

Q1 som hjælp i sin egen udvikling

Beretninger om træningen beskriver, at forskere bad Q1 om at hjælpe med at undersøge et problem i træningspipelinen. Modellen analyserede logfiler og gemte interaktionsspor for at finde en formateringsfejl i den måde, tidligere samtaletrin blev ført tilbage gennem systemet på. Forskerne gennemgik modellens diagnose. Eksemplet viser, at modellen kan hjælpe under menneskeligt opsyn – ikke at den selvstændigt forbedrede eller udgav sig selv. 2728

Hvad betyder det for brug som kodeagent?

Q1's arkitektur, lange kontekstvindue og træningsfokus gør den til en mulig kandidat til overvågede arbejdsgange, hvor en agent bruger værktøjer til kodning. Modellens størrelse gør den krævende at drifte, og benchmarkresultater bør læses som offentliggjorte målinger – ikke som et løfte om, hvordan den vil klare sig i et bestemt kodelager.

Ved praktisk brug bør modellen køre i et kontrolleret miljø. Verificér ændringer med tests, og sørg for menneskelig gennemgang af vigtig kode og kommandoer. Det er fornuftige forholdsregler med enhver kodeagent; de tilgængelige kilder viser ikke, at Q1 er pålidelig nok til vedligeholdelse uden opsyn.