Что известно об IQuest-Q1 — модели для программирования через командную строку

IQuest-Q1 — модель с открытыми весами от IQuest Research, созданная для кодинг-агентов, работающих через командную строку. Такой агент может изучать файлы проекта, вызывать инструменты и выполнять задачу в несколько этапов. Архитектура и обучение Q1 ориентированы на подобные сценарии, но одни лишь опубликованные результаты тестов не показывают, насколько надёжно модель справится с конкретной задачей в CLI. 26815

Когда выпустили модель и какие у неё лицензии

По сообщениям о релизе, веса и карточка модели появились на Hugging Face 28 сентября 2026 года, а публичный выпуск IQuest Research объявила на следующий день — 29 сентября. В GitHub-репозитории также доступен код для инференса, однако имеющиеся источники не указывают отдельную дату его публикации. 456

Лицензию весов не следует путать с лицензией кода для инференса. В GitHub-репозитории для программного обеспечения указана Modified MIT: если оно или его производные используются в коммерческом продукте либо сервисе, в интерфейсе нужно заметно указать «IQuest-Q1». На странице модели для весов приведена отдельная метка лицензии — iquest-q1. Перед использованием в продукте стоит проверить условия для каждого компонента отдельно. 420

Архитектура и длинный контекст

Q1 построена на Transformer с архитектурой decoder-only и разреженной смесью экспертов (MoE). Всего в модели около 320 млрд параметров, но на обработке каждого токена задействовано примерно 15 млрд. В конфигурации указаны 256 экспертов, из которых одновременно активируются восемь. Также модель использует гибридную схему внимания, сочетающую скользящее окно и полное внимание. 26

Заявленное контекстное окно — 524 288 токенов, или примерно 512 тысяч. Это позволяет передавать модели большие объёмы кода и длинную историю взаимодействия с инструментами. Но большой контекст не делает модель лёгкой для запуска: её полный размер требует значительных ресурсов, а потребление памяти и задержки зависят от конфигурации и фактической длины контекста. 1214

Как запускать и подключать к CLI-агентам

Среди вариантов для запуска в материалах о развёртывании названы SGLang и vLLM. Рекомендации предполагают распределение вычислений между несколькими GPU; в качестве примера приводится параллелизм на восемь GPU, а не обычный запуск на одной видеокарте. vLLM сообщила о поддержке модели с первого дня, включая её смешанный режим внимания. 114

В качестве вариантов интеграции упоминаются инструменты для командной строки Claude Code и Codex CLI. Перед использованием в реальном рабочем процессе командам стоит проверить формат вызова инструментов, потребление памяти и задержки в своём агентском окружении. Само по себе максимальное окно в 512 тысяч токенов не говорит о том, насколько быстро или надёжно модель будет работать при такой нагрузке. 3

Обучение для работы с инструментами

По описанию IQuest, Q1 обучали для задач программирования, рассуждений, работы с инструментами, понимания длинного контекста и многоэтапного выполнения. В публикациях о разработке также упоминаются обучение с подкреплением в нескольких агентских средах и multi-teacher on-policy distillation (MOPD) — дистилляция на собственных интерактивных траекториях модели с участием нескольких моделей-«учителей». 6924

Это помогает понять, почему модель ориентирована на агентские задачи, но не гарантирует безошибочной работы в любой среде. Результат зависит в том числе от набора инструментов, постановки задачи и конфигурации запуска.

Опубликованные результаты бенчмарков

В публикации ModelScope приводятся результаты 84,5 балла на CyberGym, 83,2 на Terminal-Bench 2.1, 64,6 на DeepSWE v1.1 и 63,0 на NL2Repo. Эти тесты охватывают разные задачи: от кибербезопасности и работы в терминале до продолжительных программных заданий и генерации репозитория. Это опубликованные результаты, а не независимое доказательство превосходства Q1 над другой моделью в конкретном CLI-сценарии. Для корректного сравнения должны совпадать версии тестов и условия оценки. 1521

Как Q1 помогала в собственной разработке

В описаниях процесса обучения рассказывается, как исследователи попросили Q1 помочь разобраться с проблемой в обучающем конвейере. Модель проанализировала логи и сохранённые трассы взаимодействия и помогла обнаружить проблему форматирования текста: предыдущие ходы передавались обратно в систему некорректно. Диагноз проверяли исследователи. Это пример помощи при разработке под контролем людей, а не свидетельство того, что модель самостоятельно улучшила и выпустила себя. 2728

Насколько модель подходит для практической работы

Архитектура Q1, длинный контекст и фокус на работе с инструментами делают её одним из кандидатов для кодинг-агентов, действующих под наблюдением человека. При этом масштаб модели усложняет развёртывание, а результаты бенчмарков не следует воспринимать как обещание того, что она справится с задачей в любом репозитории.

Для практического использования разумно запускать её в контролируемой среде, проверять изменения тестами и оставлять человеку просмотр важных правок и команд. Это общие меры предосторожности при работе с кодинг-агентами; имеющиеся источники не подтверждают, что Q1 уже достаточно надёжна для автономного обслуживания репозиториев.