IQuest-Q1, il modello pensato per gli agenti che lavorano da terminale

IQuest-Q1 è un modello a pesi aperti sviluppato da IQuest Research per gli agenti di coding da riga di comando: sistemi capaci di esplorare un repository, usare strumenti e affrontare attività software articolate in più passaggi. Combina un’architettura Mixture of Experts (MoE) sparsa da 320 miliardi di parametri con circa 15 miliardi attivi per token e una finestra di contesto dichiarata di 512K token. La progettazione e l’addestramento puntano ai flussi di lavoro con agenti, ma i punteggi dei benchmark, da soli, non dimostrano quanto bene completerà una specifica attività da terminale. 26815

Pubblicazione e licenze: attenzione a distinguere pesi e codice

La pagina del modello su Hugging Face indica la licenza dei pesi con l’identificativo iquest-q1. Secondo le ricostruzioni disponibili, pesi e scheda del modello sono apparsi il 28 settembre 2026, mentre la pubblicazione pubblica di IQuest è stata annunciata il 29 settembre. Il repository GitHub include anche il codice per l’inferenza; le fonti disponibili, però, non indicano una data di rilascio separata per quel codice. 456

La licenza dei pesi e quella del software d’inferenza sono due cose diverse. Il repository GitHub definisce la propria licenza Modified MIT e aggiunge una condizione: i prodotti o servizi commerciali che usano il software, o sue versioni derivate, devono mostrare in modo ben visibile la dicitura “IQuest-Q1” nella propria interfaccia. Per i pesi, invece, la scheda del modello riporta la distinta etichetta iquest-q1. Prima di integrare i componenti in un prodotto, è quindi opportuno verificare i termini applicabili a ciascuno. 420

Architettura e finestra di contesto

Q1 è un Transformer decoder-only con architettura MoE sparsa. Ha circa 320 miliardi di parametri totali, di cui circa 15 miliardi attivati per token. La configurazione indica 256 esperti, con otto attivati alla volta. La scheda del modello descrive inoltre un’attenzione ibrida, che alterna livelli a finestra scorrevole e livelli di attenzione completa. 26

La finestra di contesto dichiarata è di 524.288 token, spesso indicata come 512K. Può contenere prompt estesi e molto contesto proveniente da un repository, ma non rende il modello leggero da distribuire: la dimensione complessiva resta considerevole e memoria e latenza effettive dipendono dalla configurazione scelta e dalla lunghezza del contesto usato. 1214

Serving e integrazione con strumenti da terminale

Le indicazioni di distribuzione citano SGLang e vLLM. Gli esempi descrivono il parallelismo tensoriale su più GPU, compresa una configurazione a otto vie, non il normale utilizzo locale su una sola GPU. vLLM ha inoltre dichiarato il supporto a Q1 fin dal primo giorno, compresa la gestione del suo schema di attenzione misto. 114

Il modello viene presentato come integrabile con strumenti di coding da riga di comando, tra cui Claude Code e Codex CLI. In un uso reale, i team dovrebbero verificare la formattazione delle chiamate agli strumenti, l’uso della memoria e la latenza con il proprio sistema di agenti e con la lunghezza di contesto prevista: il limite massimo di 512K, da solo, non dice come si comporterà una specifica distribuzione. 3

Addestramento orientato agli agenti

IQuest descrive Q1 come addestrato per attività di coding, ragionamento, uso di strumenti, comprensione di contesti lunghi ed esecuzione di compiti in più passaggi. I resoconti sullo sviluppo menzionano anche il reinforcement learning su più harness e la multi-teacher on-policy distillation (MOPD): un metodo che mira ad addestrare il modello attraverso traiettorie interattive prodotte da sé, anziché basarsi soltanto su risposte di esempio statiche. 6924

Questi metodi aiutano a capire perché il modello sia progettato per l’uso come agente, ma non garantiscono un comportamento affidabile in ogni ambiente operativo. I risultati dipendono anche dal sistema di orchestrazione, dall’attività e dalla configurazione di serving.

Cosa mostrano i benchmark pubblicati

Un post di ModelScope riporta questi punteggi: 84,5 su CyberGym, 83,2 su Terminal-Bench 2.1, 64,6 su DeepSWE v1.1 e 63,0 su NL2Repo. I test coprono ambiti diversi, tra cui attività di sicurezza, uso del terminale, compiti di coding più lunghi e generazione di repository. Sono risultati pubblicati, non una prova indipendente che Q1 superi un altro modello in qualsiasi configurazione da CLI: per confrontarli servono versioni dei benchmark e condizioni di valutazione omogenee. 1521

Il modello ha contribuito anche al proprio sviluppo

Secondo i resoconti sull’addestramento, i ricercatori hanno chiesto a Q1 di contribuire a indagare un problema nella pipeline di training. Il modello ha analizzato log e tracce delle interazioni registrate, aiutando a individuare un problema di formattazione del testo nel modo in cui i turni precedenti venivano reinseriti nel sistema. La diagnosi è stata esaminata dai ricercatori: si tratta di un esempio di assistenza allo sviluppo sotto supervisione, non di un modello che si è migliorato o pubblicato autonomamente. 2728

In pratica: un candidato da valutare, non un agente da lasciare senza controllo

L’architettura, il contesto esteso e l’addestramento mirato rendono Q1 un possibile candidato per flussi di coding supervisionati e basati sull’uso di strumenti. Le sue dimensioni, però, rendono la distribuzione impegnativa, e i punteggi pubblicati non garantiscono risultati su uno specifico repository.

Per provarlo, è prudente usare un ambiente controllato, verificare le modifiche con test e mantenere la revisione umana per codice o comandi rilevanti. Sono precauzioni sensate con qualsiasi agente di coding: le fonti disponibili non dimostrano che Q1 sia abbastanza affidabile da occuparsi di un repository senza supervisione.