IQuest-Q1: vad kan modellen göra som kodagent?

IQuest-Q1 är en modell med öppna vikter från IQuest Research, framtagen för kodagenter i kommandoraden. Sådana agenter kan läsa en kodbas, köra verktyg och arbeta sig igenom uppgifter i flera steg – inte bara föreslå kod. Modellen kombinerar en gles mixture-of-experts-arkitektur med 320 miljarder parametrar totalt, cirka 15 miljarder aktiva per token och ett rapporterat kontextfönster på 512K token. Det gör den inriktad på agentarbete, men publicerade benchmarkresultat visar inte i sig hur tillförlitligt den löser en viss uppgift i en verklig utvecklingsmiljö. 26815

När släpptes modellen – och vad gäller licenserna?

Modellvikterna och modellkortet publicerades på Hugging Face den 28 september 2026 enligt rapporteringen. IQuest Research meddelade den offentliga lanseringen dagen därpå, den 29 september. GitHub-repositoriet innehåller också inferenskod, men källorna anger inte ett separat lanseringsdatum för den. 456

Det är viktigt att skilja mellan licensen för modellvikterna och licensen för inferenskoden. Modellkortet använder licensbeteckningen iquest-q1. GitHub-repositoriet anger i stället Modified MIT för programvaran och lägger till ett villkor: kommersiella produkter eller tjänster som använder programvaran eller derivat av den ska tydligt visa ”IQuest-Q1” i gränssnittet. Den som vill använda modellen i en produkt bör alltså granska villkoren för respektive del. 420

320 miljarder parametrar – men inte alla aktiva samtidigt

Q1 är en decoder-only Transformer med en gles mixture-of-experts-arkitektur, ofta förkortad MoE. Den har omkring 320 miljarder parametrar totalt, men cirka 15 miljarder aktiveras per token. Konfigurationen anger 256 experter, varav åtta aktiveras åt gången. Modellen har också en hybrid lösning för uppmärksamhet, där lager med glidande fönster blandas med lager som tar hänsyn till hela kontexten. 26

Det rapporterade kontextfönstret är 524 288 token, vanligtvis avrundat till 512K. Det kan ge plats åt långa instruktioner, kodbaser och verktygshistorik. Men 15 miljarder aktiva parametrar betyder inte att modellen är lika enkel att drifta som en modell med 15 miljarder parametrar totalt: hela modellen är stor, och minnesåtgång och svarstid påverkas också av hårdvara och hur mycket av kontexten som används. 1214

Drift och användning i kodagentverktyg

I det tillgängliga driftmaterialet nämns SGLang och vLLM som alternativ för att köra modellen. Exemplen bygger på tensorparallellism över flera GPU:er – bland annat ett upplägg med åtta – snarare än vanlig lokal körning på ett enda grafikkort. vLLM uppgav att stödet fanns från dag ett och att det omfattade modellens blandning av uppmärksamhetslager. 114

Q1 beskrivs också som möjlig att integrera med kodverktyg för kommandoraden, däribland Claude Code och Codex CLI. Innan den används i ett arbetsflöde behöver team testa hur den fungerar med den aktuella agentmiljön: till exempel verktygsanrop, minnesanvändning och svarstid vid den kontextlängd som faktiskt används. Ett maxvärde på 512K säger inte i sig hur driften kommer att fungera i praktiken. 3

Träning för uppgifter i flera steg

IQuest beskriver Q1 som tränad för kodning, resonemang, verktygsanvändning, förståelse av långa kontexter och uppgifter som kräver flera steg. Beskrivningar av utvecklingsarbetet nämner också förstärkningsinlärning i flera agentmiljöer och multi-teacher on-policy distillation (MOPD). Metoden syftar till att träna modellen på interaktiva förlopp där den själv agerar, snarare än enbart på statiska exempel med färdiga svar. 6924

Det ger en bild av varför modellen utformats för agentarbete, men är ingen garanti för att den beter sig stabilt i varje verktygsmiljö. Resultatet beror även på uppgiften, agentramverket och hur modellen körs.

Benchmarkresultat – vad visar de?

Ett inlägg från ModelScope anger resultaten 84,5 på CyberGym, 83,2 på Terminal-Bench 2.1, 64,6 på DeepSWE v1.1 och 63,0 på NL2Repo. Testerna omfattar olika typer av uppgifter, från cybersäkerhet och terminalarbete till längre kodningsuppgifter och generering av kodförråd. 1521

Det här är publicerade resultat, inte ett oberoende bevis på att Q1 slår en annan modell i en viss CLI-miljö. Jämförelser blir meningsfulla först när versioner, testupplägg och utvärderingsvillkor är jämförbara.

Q1 hjälpte till att felsöka sin egen träning

En beskrivning av IQuests utvecklingsarbete berättar att forskare bad Q1 hjälpa till att undersöka ett problem i träningssystemet. Modellen analyserade loggar och sparade interaktionsspår och bidrog till att hitta ett formateringsfel i hur tidigare turer skickades tillbaka genom systemet. Forskarna granskade analysen. Exemplet visar hur modellen kan användas som stöd i utvecklingsarbete – inte att den självständigt förbättrade eller släppte en ny version av sig själv. 2728

Vad betyder det för den som vill använda Q1?

Den stora modellen, det långa kontextfönstret och träning med fokus på verktygsanvändning gör Q1 till en möjlig kandidat för kodarbetsflöden där en människa övervakar agenten. Samtidigt kräver modellen en omfattande driftmiljö, och benchmarkpoäng bör läsas som rapporterade testresultat – inte som ett löfte om hur den presterar i ett visst kodförråd.

För praktisk användning är det klokt att köra agenten i en avgränsad miljö, kontrollera kodändringar med tester och låta människor granska kommandon och ändringar med större konsekvenser. Det är rimliga försiktighetsåtgärder för kodagenter generellt; de tillgängliga källorna visar inte att Q1 är tillräckligt tillförlitlig för obevakat underhåll av kodförråd.