Hva bør du vite om IQuest-Q1?

IQuest-Q1 er en modell med åpne vekter fra IQuest Research, laget for kodeagenter som arbeider i kommandolinjen. Slike agenter kan undersøke et kodeprosjekt, bruke verktøy og løse oppgaver i flere trinn. Modellen kombinerer en sparsom blanding-av-eksperter-arkitektur med 320 milliarder parametere totalt, rundt 15 milliarder aktive parametere per token og et oppgitt kontekstvindu på 512 000 tokens. Utformingen og treningen er rettet mot agentoppgaver, men testresultater alene viser ikke hvor pålitelig modellen vil være på en bestemt terminaloppgave. 26815

Når ble modellen sluppet, og hvilke lisenser gjelder?

Modellsiden på Hugging Face oppgir lisensbetegnelsen iquest-q1. Ifølge omtale ble vektene og modellkortet lagt ut 28. september 2026, mens IQuest Researchs offentlige lansering ble meldt dagen etter, 29. september. GitHub-repositoriet inneholder også inferenskode, men kildene som er tilgjengelige, fastslår ikke en egen lanseringsdato for koden. 456

Det er viktig å skille mellom lisensen for modellvektene og lisensen for inferenskoden. GitHub-repositoriet oppgir Modified MIT for programvaren. Lisensen legger til et vilkår om at kommersielle produkter eller tjenester som bruker programvaren eller avledede verk, må vise «IQuest-Q1» tydelig i brukergrensesnittet. Modellkortet bruker på sin side den separate lisensbetegnelsen iquest-q1. Sjekk vilkårene for hver komponent før den tas i bruk i et produkt. 420

Arkitektur og kontekstvindu

Q1 er en decoder-only Transformer med en sparsom mixture-of-experts-arkitektur. Modellen har omtrent 320 milliarder parametere totalt, men rundt 15 milliarder aktiveres per token. Konfigurasjonen oppgir 256 eksperter, hvorav åtte aktiveres om gangen. Modellkortet beskriver også en kombinasjon av lag med glidende vindu og lag med full oppmerksomhet. 26

Det oppgitte kontekstvinduet er 524 288 tokens, ofte omtalt som 512K. Det kan gi plass til lange instruksjoner og mye prosjektkontekst, men gjør ikke modellen liten eller enkel å kjøre. De samlede modellvektene krever fortsatt betydelig kapasitet, og minnebruk og forsinkelse vil avhenge av oppsettet og hvor mye av kontekstvinduet som faktisk brukes. 1214

Drift og bruk fra kommandolinjen

Distribusjonsmaterialet trekker fram SGLang og vLLM som alternativer for å kjøre modellen. Veiledningen beskriver parallellisering på flere GPU-er, blant annet et eksempel med åtteveis tensorparallellisering, ikke vanlig bruk på én enkelt GPU. vLLM meldte også om støtte fra lanseringsdagen, inkludert støtte for modellens blandede oppmerksomhetsmønster. 114

Q1 beskrives som kompatibel med kodeverktøy for kommandolinjen, blant annet Claude Code og Codex CLI. Før bruk bør team teste formatet for verktøykall, minnebruk og forsinkelse med sitt eget agentoppsett og den kontekstmengden de faktisk trenger. Et maksimalt kontekstvindu på 512K sier ikke i seg selv hvordan modellen vil fungere i drift. 3

Trening rettet mot agentoppgaver

IQuest beskriver Q1 som trent for koding, resonnering, verktøybruk, forståelse av lange kontekster og oppgaveløsning i flere trinn. Omtale av utviklingsarbeidet viser også til forsterket læring på tvers av flere agentoppsett og multi-teacher on-policy distillation (MOPD). Metoden er ment å trene modellen med interaktive forløp den selv har vært med på å skape, snarere enn bare med statiske eksempelbesvarelser. 6924

Dette sier noe om hvorfor modellen er laget for agentbruk, men er ingen garanti for at den oppfører seg pålitelig i alle verktøymiljøer. Resultatet avhenger fortsatt av oppgaven, agentoppsettet og hvordan modellen kjøres.

Hva viser de publiserte testresultatene?

Et innlegg fra ModelScope oppgir 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 dekker ulike oppgaver, blant annet sikkerhet, terminalbruk, langvarige kodeoppgaver og generering av kodeprosjekter. Dette er publiserte resultater, ikke uavhengig dokumentasjon på at Q1 vil slå en annen modell i et bestemt terminaloppsett. Sammenligninger krever samme versjon av testen og like evalueringsvilkår. 1521

Q1 som hjelp i utviklingen av Q1

I omtaler av treningen forteller forskere at de ba Q1 hjelpe til med å undersøke et problem i treningsløypa. Modellen analyserte logger og lagrede spor av samhandling og bidro til å finne en feil i tekstformateringen da tidligere samtaletrinn ble sendt tilbake gjennom systemet. Forskerne vurderte diagnosen. Historien viser at modellen kunne bistå under menneskelig oppfølging – ikke at den på egen hånd forbedret eller lanserte seg selv. 2728

Hva betyr dette i praksis?

Arkitekturen, det lange kontekstvinduet og treningens agentfokus gjør Q1 til en mulig kandidat for kodearbeid der modellen bruker verktøy under oppfølging. Samtidig er modellen stor og krevende å kjøre, og benchmark-resultatene bør leses som publiserte målinger – ikke som et løfte om hvordan den vil prestere på et bestemt kodeprosjekt.

Hvis den tas i bruk, bør den kjøres i et avgrenset miljø, og endringer bør kontrolleres med tester. Menneskelig gjennomgang er fortsatt viktig for kode og kommandoer som kan få store konsekvenser. Dette er fornuftige sikkerhetstiltak for kodeagenter generelt; kildene som er tilgjengelige, viser ikke at Q1 er pålitelig nok til vedlikehold av kodeprosjekter uten tilsyn.