IQuest-Q1: कम सक्रिय पैरामीटर, बड़ा संदर्भ और CLI कोडिंग एजेंटों पर फोकस

IQuest-Q1, IQuest Research का ओपन-वेट मॉडल है, जिसे कमांड-लाइन कोडिंग एजेंटों के लिए तैयार किया गया है। ऐसे एजेंट किसी कोड रिपॉज़िटरी को पढ़ सकते हैं, टूल चला सकते हैं और कई चरणों वाले सॉफ़्टवेयर काम पूरे करने की कोशिश करते हैं। Q1 की बनावट और ट्रेनिंग इसी तरह के कामों पर केंद्रित है। हालांकि, बेंचमार्क के प्रकाशित अंक अपने-आप यह साबित नहीं करते कि मॉडल किसी खास CLI काम को भरोसेमंद ढंग से पूरा करेगा। 26815

रिलीज़ और लाइसेंस: वज़न और कोड की शर्तें अलग हैं

Hugging Face पर मॉडल पेज के अनुसार, इसके वज़न का लाइसेंस iquest-q1 है। रिपोर्टों के मुताबिक वज़न और मॉडल कार्ड 28 सितंबर 2026 को Hugging Face पर आए, जबकि IQuest की सार्वजनिक रिलीज़ 29 सितंबर को हुई। GitHub रिपॉज़िटरी में inference code भी दिया गया है, लेकिन उपलब्ध स्रोत उस कोड के लिए अलग रिलीज़ तारीख़ की पुष्टि नहीं करते। 456

वज़न और inference code के लाइसेंस को एक जैसा न मानें। GitHub रिपॉज़िटरी सॉफ़्टवेयर के लिए Modified MIT लाइसेंस बताती है। इसमें शर्त है कि सॉफ़्टवेयर या उससे बने किसी रूप का इस्तेमाल करने वाले व्यावसायिक उत्पाद या सेवा के यूज़र इंटरफ़ेस पर “IQuest-Q1” प्रमुखता से दिखाया जाए। मॉडल कार्ड पर वज़न के लिए अलग iquest-q1 लाइसेंस लेबल है। किसी उत्पाद में इन हिस्सों को शामिल करने से पहले, हर घटक पर लागू शर्तें अलग से जाँचें। 420

320B कुल पैरामीटर, हर टोकन पर करीब 15B सक्रिय

Q1 एक decoder-only Transformer है, जिसमें sparse mixture-of-experts (MoE) संरचना का इस्तेमाल हुआ है। मॉडल में करीब 320 अरब कुल पैरामीटर हैं, लेकिन हर टोकन पर करीब 15 अरब सक्रिय होते हैं। कॉन्फ़िगरेशन में 256 experts दिए गए हैं, जिनमें से एक बार में 8 सक्रिय होते हैं। मॉडल कार्ड के मुताबिक, इसमें sliding-window और full-attention लेयरों का मिला-जुला पैटर्न भी है। 26

रिपोर्ट किया गया संदर्भ आकार 524,288 टोकन, यानी आम तौर पर कहा जाने वाला 512K, है। इतना बड़ा संदर्भ लंबी prompts और कोड रिपॉज़िटरी की जानकारी संभालने में मदद कर सकता है। लेकिन इससे मॉडल हल्का नहीं हो जाता: कुल मॉडल को चलाने के लिए पर्याप्त serving क्षमता चाहिए, और इस्तेमाल होने वाली मेमोरी व प्रतिक्रिया की गति तैनाती के तरीके और वास्तविक संदर्भ आकार पर निर्भर करेगी। 1214

चलाने के विकल्प और CLI एजेंटों से जुड़ाव

उपलब्ध तैनाती सामग्री में SGLang और vLLM को मॉडल चलाने के विकल्प बताया गया है। निर्देशों में कई GPU पर tensor parallelism का ज़िक्र है—मसलन, आठ-तरफ़ा सेटअप—न कि आम तौर पर एक GPU पर सीधे चलाने का। vLLM ने रिलीज़ के पहले दिन से Q1 सपोर्ट की सूचना दी थी, जिसमें इसका मिला-जुला attention pattern भी शामिल है। 114

मॉडल को Claude Code और Codex CLI जैसे कमांड-लाइन कोडिंग टूलों के साथ जोड़ने के विकल्प भी बताए गए हैं। किसी टीम को अपने agent harness में tool-call फ़ॉर्मैट, मेमोरी और देरी (latency) की जाँच करनी चाहिए। 512K टोकन की अधिकतम सीमा अपने-आप यह नहीं बताती कि किसी वास्तविक सेटअप में प्रदर्शन कैसा होगा। 3

एजेंट के कामों के लिए ट्रेनिंग

IQuest के मुताबिक, Q1 की ट्रेनिंग में कोडिंग, तर्क, टूल का इस्तेमाल, लंबे संदर्भ को समझना और कई चरणों वाले काम शामिल हैं। विकास से जुड़ी रिपोर्टों में multi-harness reinforcement learning और multi-teacher on-policy distillation (MOPD) का भी ज़िक्र है। इसका मकसद केवल पहले से लिखे उदाहरणों से जवाब सिखाना नहीं, बल्कि मॉडल की अपनी बातचीत और काम करने की प्रक्रियाओं के ज़रिए उसे प्रशिक्षित करना है। 6924

ये तरीके बताते हैं कि मॉडल को एजेंट वाले कामों के लिए क्यों बनाया गया, लेकिन इनसे हर टूल या परिस्थिति में भरोसेमंद व्यवहार की गारंटी नहीं मिलती। नतीजे इस्तेमाल किए गए harness, काम और serving सेटअप पर निर्भर रहेंगे।

प्रकाशित बेंचमार्क क्या बताते हैं?

ModelScope की एक पोस्ट में Q1 के अंक CyberGym पर 84.5, Terminal-Bench 2.1 पर 83.2, DeepSWE v1.1 पर 64.6 और NL2Repo पर 63.0 बताए गए हैं। ये बेंचमार्क सुरक्षा-संबंधी काम, टर्मिनल का इस्तेमाल, लंबे कोडिंग कार्य और रिपॉज़िटरी तैयार करने जैसे अलग-अलग कामों को परखते हैं। 1521

ये प्रकाशित नतीजे हैं—इस बात का स्वतंत्र प्रमाण नहीं कि Q1 किसी खास CLI सेटअप में दूसरे मॉडल से बेहतर होगा। निष्पक्ष तुलना के लिए बेंचमार्क का संस्करण और मूल्यांकन की परिस्थितियाँ समान होनी चाहिए।

मॉडल ने अपने विकास में कैसे मदद की?

IQuest की ट्रेनिंग से जुड़ी कुछ रिपोर्टों के अनुसार, शोधकर्ताओं ने एक समस्या की पड़ताल में Q1 की मदद ली। मॉडल ने लॉग और दर्ज किए गए इंटरैक्शन ट्रेस का विश्लेषण करके यह पहचानने में मदद की कि पहले के संदेश सिस्टम में वापस भेजते समय टेक्स्ट फ़ॉर्मैटिंग से जुड़ी एक गड़बड़ी थी। शोधकर्ताओं ने इसके निदान की समीक्षा की। यह विकास-कार्य में निगरानी के साथ मिली मदद का उदाहरण है—मॉडल का खुद से अपने-आप को बेहतर बनाना या रिलीज़ करना नहीं। 2728

CLI कोडिंग में उपयोगिता और सावधानियाँ

Q1 की बनावट, बड़ा संदर्भ और ट्रेनिंग का फोकस इसे निगरानी वाले, टूल इस्तेमाल करने वाले कोडिंग वर्कफ़्लो के लिए एक संभावित विकल्प बनाते हैं। इसका आकार तैनाती को साधारण नहीं रहने देता, और बेंचमार्क स्कोर किसी खास रिपॉज़िटरी पर अच्छे प्रदर्शन की गारंटी नहीं हैं।

व्यावहारिक इस्तेमाल में इसे नियंत्रित वातावरण में चलाएँ, बदलावों को टेस्ट से जाँचें और अहम कोड या कमांड पर इंसानी समीक्षा रखें। ये सावधानियाँ किसी भी कोडिंग एजेंट के लिए उपयोगी हैं; उपलब्ध स्रोत यह साबित नहीं करते कि Q1 को बिना निगरानी रिपॉज़िटरी सँभालने के लिए पर्याप्त भरोसेमंद माना जा सकता है।