IQuest-Q1: mengenal model untuk agen koding berbasis CLI

IQuest-Q1 adalah model berbobot terbuka dari IQuest Research yang dirancang untuk agen koding berbasis baris perintah atau CLI. Sistem seperti ini dapat memeriksa repositori kode, menggunakan alat, lalu menyelesaikan tugas perangkat lunak dalam beberapa tahap. Model ini menggabungkan arsitektur mixture-of-experts (MoE) jarang dengan sekitar 320 miliar parameter total, 15 miliar parameter aktif per token, serta jendela konteks yang dilaporkan mencapai 512 ribu token. Meski dirancang untuk alur kerja agen, skor benchmark yang dipublikasikan saja belum membuktikan bahwa model akan menyelesaikan tugas CLI tertentu dengan andal. 26815

Kapan dirilis, dan bagaimana lisensinya?

Halaman model di Hugging Face mencantumkan label lisensi iquest-q1. Menurut laporan, bobot model dan kartu modelnya tersedia pada 28 September 2026, lalu IQuest mengumumkan rilis publik pada 29 September. Repositori GitHub juga menyediakan kode inferensi, tetapi sumber yang tersedia tidak memastikan tanggal rilis terpisah untuk kode tersebut. 456

Lisensi bobot model dan lisensi kode inferensi perlu dibaca secara terpisah. Repositori GitHub menyebut lisensi perangkat lunaknya Modified MIT, dengan satu syarat tambahan: produk atau layanan komersial yang menggunakan perangkat lunak itu atau turunannya harus menampilkan “IQuest-Q1” secara menonjol di antarmuka pengguna. Sementara itu, kartu model menggunakan label lisensi terpisah, yaitu iquest-q1. Periksa ketentuan yang berlaku untuk tiap komponen sebelum memasukkannya ke dalam produk. 420

Arsitektur dan panjang konteks

Q1 menggunakan Transformer decoder-only dengan arsitektur sparse mixture-of-experts. Model ini memiliki sekitar 320 miliar parameter total, dengan sekitar 15 miliar parameter aktif untuk tiap token. Konfigurasinya mencantumkan 256 expert, dengan delapan diaktifkan pada satu waktu. Halaman model juga menjelaskan pola perhatian hibrida yang menggabungkan lapisan sliding-window dan full-attention. 26

Jendela konteks yang dilaporkan mencapai 524.288 token, atau biasa disebut 512K. Kapasitas ini dapat menampung prompt panjang dan konteks repositori yang besar, tetapi tidak berarti model mudah dijalankan. Bobot totalnya tetap membutuhkan kapasitas serving yang besar; kebutuhan memori dan latensi praktis akan bergantung pada konfigurasi dan panjang konteks yang digunakan. 1214

Serving dan integrasi CLI

Materi penerapan yang tersedia menyebut SGLang dan vLLM sebagai opsi serving. Panduan yang dirujuk menggunakan tensor parallelism multi-GPU, termasuk contoh konfigurasi delapan GPU, bukan penggunaan lokal biasa dengan satu GPU. vLLM juga melaporkan dukungan sejak hari pertama, termasuk untuk pola perhatiannya yang mencampur sliding-window dan full-attention. 114

Model ini disebut dapat diintegrasikan dengan alat koding berbasis CLI, termasuk Claude Code dan Codex CLI. Dalam praktiknya, tim sebaiknya menguji format pemanggilan alat, penggunaan memori, dan latensi memakai kerangka agen serta panjang konteks kerja mereka sendiri. Batas maksimum 512K token tidak dengan sendirinya menunjukkan bagaimana model akan bekerja dalam suatu penerapan. 3

Pelatihan yang berfokus pada tugas agen

IQuest menyebut Q1 dilatih untuk koding, penalaran, penggunaan alat, pemahaman konteks panjang, dan eksekusi bertahap. Uraian pengembangannya juga menyebut reinforcement learning lintas beberapa harness serta multi-teacher on-policy distillation (MOPD). Pendekatan ini ditujukan untuk melatih model melalui rangkaian interaksi yang dihasilkan model sendiri, bukan hanya dari kumpulan jawaban contoh yang statis. 6924

Metode tersebut membantu menjelaskan mengapa model ini dirancang untuk tugas agen, tetapi bukan jaminan bahwa perilakunya akan andal di setiap lingkungan penggunaan alat. Hasil tetap bergantung pada kerangka agen, jenis tugas, dan konfigurasi serving.

Apa yang ditunjukkan benchmark yang dipublikasikan?

Sebuah unggahan ModelScope mencantumkan skor 84,5 untuk CyberGym, 83,2 untuk Terminal-Bench 2.1, 64,6 untuk DeepSWE v1.1, dan 63,0 untuk NL2Repo. Benchmark tersebut menguji beragam pekerjaan, termasuk tugas keamanan, penggunaan terminal, tugas koding jangka panjang, dan pembuatan repositori. Angka-angka ini merupakan hasil yang dipublikasikan, bukan bukti independen bahwa Q1 akan mengungguli model lain dalam konfigurasi CLI tertentu. Perbandingan yang bermakna perlu memakai versi benchmark dan kondisi evaluasi yang sepadan. 1521

Peran Q1 dalam proses pengembangannya sendiri

Uraian tentang proses pelatihan IQuest menyebut bahwa para peneliti meminta Q1 membantu menyelidiki masalah di pipeline pelatihan. Model menganalisis log dan jejak interaksi yang tersimpan, lalu membantu mengidentifikasi persoalan pemformatan teks saat giliran percakapan sebelumnya dikirim kembali ke sistem. Para peneliti meninjau diagnosis tersebut. Kisah ini menunjukkan bantuan dalam proses pengembangan yang tetap diawasi manusia—bukan model yang secara mandiri meningkatkan atau merilis dirinya sendiri. 2728

Apa artinya bagi penggunaan agen koding?

Arsitektur Q1, konteks panjang, dan fokus pelatihannya menjadikannya kandidat untuk alur kerja koding berbantuan alat yang diawasi. Namun, ukuran modelnya membuat penerapan tidak sederhana, sementara skor benchmark sebaiknya dibaca sebagai hasil yang dilaporkan, bukan janji kinerja untuk repositori tertentu.

Untuk penggunaan praktis, jalankan model di lingkungan terkendali, verifikasi perubahan dengan pengujian, dan pertahankan peninjauan manusia untuk kode atau perintah yang berdampak besar. Langkah-langkah ini masuk akal untuk agen koding mana pun; sumber yang tersedia belum membuktikan bahwa Q1 cukup andal untuk memelihara repositori tanpa pengawasan.