รู้จัก IQuest-Q1 โมเดลเขียนโค้ดที่ออกแบบมาสำหรับทำงานผ่าน CLI

IQuest-Q1 คือโมเดล open-weight จาก IQuest Research ที่ออกแบบมาสำหรับ coding agent ซึ่งทำงานผ่าน command line หรือ CLI เช่น อ่านโค้ดในรีโพซิทอรี เรียกใช้เครื่องมือ และจัดการงานพัฒนาซอฟต์แวร์หลายขั้นตอน จุดเด่นคือสถาปัตยกรรมแบบ mixture of experts (MoE) ที่มีพารามิเตอร์รวม 320B แต่เปิดใช้งานราว 15B ต่อโทเคน พร้อม context window ที่รายงานไว้ 512K โทเคน อย่างไรก็ตาม คะแนนทดสอบที่เผยแพร่ยังไม่ใช่คำรับรองว่าโมเดลจะทำงานใน CLI ได้อย่างน่าเชื่อถือกับทุกงาน 26815

เผยแพร่เมื่อไร และใช้ไลเซนส์อะไร

หน้าโมเดลบน Hugging Face ระบุไลเซนส์ของโมเดลด้วยชื่อ iquest-q1 ขณะที่รายงานระบุว่าน้ำหนักโมเดลและ model card ปรากฏบนแพลตฟอร์มเมื่อวันที่ 28 กันยายน 2026 และ IQuest ประกาศเผยแพร่โมเดลต่อสาธารณะในวันถัดมา คือ 29 กันยายน ส่วนโค้ด inference เผยแพร่ไว้บน GitHub แต่ข้อมูลที่มีไม่ได้ยืนยันวันเผยแพร่โค้ดแยกต่างหาก 456

ควรแยกเงื่อนไขของน้ำหนักโมเดลออกจากเงื่อนไขของโค้ด inference: ไลเซนส์ใน GitHub เรียกว่า Modified MIT และกำหนดให้ผลิตภัณฑ์หรือบริการเชิงพาณิชย์ที่ใช้ซอฟต์แวร์หรือซอฟต์แวร์ดัดแปลง แสดงคำว่า “IQuest-Q1” อย่างเด่นชัดบนส่วนติดต่อผู้ใช้ (UI) ขณะที่ model card ระบุไลเซนส์ของตัวโมเดลเป็น iquest-q1 ซึ่งเป็นคนละรายการกัน ผู้ที่นำไปใช้ในผลิตภัณฑ์จึงควรตรวจสอบข้อกำหนดของแต่ละส่วนก่อน 420

สถาปัตยกรรมและ context window

Q1 ใช้สถาปัตยกรรม Transformer แบบ decoder-only ร่วมกับ sparse mixture of experts มีพารามิเตอร์รวมประมาณ 320 พันล้านพารามิเตอร์ และเปิดใช้งานประมาณ 15 พันล้านพารามิเตอร์ต่อโทเคน การตั้งค่าระบุว่ามีผู้เชี่ยวชาญ 256 ชุด และเปิดใช้งานครั้งละ 8 ชุด นอกจากนี้ยังใช้รูปแบบ attention แบบผสม ทั้ง sliding-window และ full attention 26

context window ที่รายงานคือ 524,288 โทเคน หรือประมาณ 512K ซึ่งรองรับ prompt และบริบทจากรีโพซิทอรีขนาดใหญ่ได้ แต่ไม่ได้หมายความว่าจะติดตั้งใช้งานได้เบา ๆ เพราะตัวโมเดลยังมีขนาดรวมมาก การใช้หน่วยความจำและความหน่วงจริงยังขึ้นอยู่กับระบบที่เลือกและความยาวบริบทที่ใช้งาน 1214

การให้บริการโมเดลและการเชื่อมต่อ CLI

เอกสารและแนวทางติดตั้งที่มีการกล่าวถึง SGLang และ vLLM เป็นตัวเลือกสำหรับให้บริการโมเดล โดยตัวอย่างการติดตั้งเน้นการกระจายงานไปยัง GPU หลายตัว เช่น tensor parallelism แบบ 8 ทาง มากกว่าการใช้งานทั่วไปบน GPU ตัวเดียว นอกจากนี้ vLLM ระบุว่ารองรับ Q1 ตั้งแต่วันแรก รวมถึงรูปแบบ attention แบบผสมของโมเดล 114

มีการระบุว่าโมเดลเชื่อมต่อกับเครื่องมือเขียนโค้ดผ่าน CLI อย่าง Claude Code และ Codex CLI ได้ แต่ก่อนนำไปใช้จริง ทีมพัฒนาควรทดสอบรูปแบบการเรียกเครื่องมือ การใช้หน่วยความจำ และความหน่วงกับ agent harness และความยาวบริบทที่ใช้จริง การรองรับ context สูงสุด 512K เพียงอย่างเดียวไม่ได้บอกว่าแต่ละระบบจะทำงานได้เร็วหรือมีประสิทธิภาพแค่ไหน 3

ฝึกมาเพื่อทำงานแบบ agent

IQuest ระบุว่า Q1 ผ่านการฝึกที่ครอบคลุมการเขียนโค้ด การให้เหตุผล การใช้เครื่องมือ การทำความเข้าใจบริบทระยะยาว และการทำงานหลายขั้นตอน รายงานเกี่ยวกับการพัฒนายังกล่าวถึงการฝึกแบบ reinforcement learning ผ่านหลาย harness และ multi-teacher on-policy distillation (MOPD) ซึ่งเป็นแนวทางที่มุ่งฝึกโมเดลจากเส้นทางการโต้ตอบของโมเดลเอง มากกว่าพึ่งตัวอย่างคำตอบสำเร็จรูปเพียงอย่างเดียว 6924

แนวทางเหล่านี้อธิบายได้ว่าทำไม Q1 จึงออกแบบมาให้เหมาะกับการใช้เครื่องมือและทำงานต่อเนื่อง แต่ไม่ได้รับประกันว่าโมเดลจะทำงานได้ถูกต้องในทุกสภาพแวดล้อม ผลลัพธ์ยังขึ้นกับ agent harness ลักษณะงาน และการตั้งค่าระบบที่ใช้ให้บริการโมเดล

คะแนนเบนช์มาร์กบอกอะไร

โพสต์ของ ModelScope ระบุคะแนน 84.5 บน CyberGym, 83.2 บน Terminal-Bench 2.1, 64.6 บน DeepSWE v1.1 และ 63.0 บน NL2Repo ซึ่งเป็นการทดสอบงานหลายประเภท เช่น งานด้านความปลอดภัย การใช้เทอร์มินัล งานเขียนโค้ดระยะยาว และการสร้างรีโพซิทอรีจากโจทย์ 1521

ตัวเลขเหล่านี้เป็นผลที่มีการเผยแพร่ ไม่ใช่หลักฐานอิสระว่า Q1 จะเหนือกว่าโมเดลอื่นใน CLI ที่ผู้อ่านใช้อยู่ การเปรียบเทียบควรดูเวอร์ชันของเบนช์มาร์กและเงื่อนไขการประเมินให้ตรงกันด้วย

บทบาทของ Q1 ในการพัฒนาระบบของตัวเอง

รายงานเกี่ยวกับการฝึก Q1 เล่าว่า นักวิจัยเคยให้โมเดลช่วยตรวจสอบปัญหาใน pipeline การฝึก โดยโมเดลวิเคราะห์ log และร่องรอยการโต้ตอบที่บันทึกไว้ เพื่อช่วยหาปัญหาการจัดรูปแบบข้อความที่เกิดตอนส่งประวัติการสนทนาก่อนหน้ากลับเข้าสู่ระบบ นักวิจัยเป็นผู้ตรวจทานการวิเคราะห์ดังกล่าว เรื่องนี้จึงเป็นตัวอย่างของการใช้โมเดลช่วยงานพัฒนาภายใต้การกำกับ ไม่ใช่หลักฐานว่าโมเดลปรับปรุงหรือปล่อยตัวเองได้โดยอัตโนมัติ 2728

เหมาะกับงานแบบไหน และควรระวังอะไร

สถาปัตยกรรม บริบทขนาดยาว และแนวทางฝึกของ Q1 ทำให้โมเดลนี้เป็นตัวเลือกที่น่าพิจารณาสำหรับ coding workflow ที่ใช้เครื่องมือและมีคนคอยกำกับ แต่ขนาดรวมของโมเดลทำให้การติดตั้งไม่ใช่เรื่องเล็ก และคะแนนเบนช์มาร์กควรมองเป็นผลที่รายงาน ไม่ใช่คำรับประกันว่าจะทำงานได้ดีในรีโพซิทอรีใดรีโพซิทอรีหนึ่ง

หากนำไปทดลองใช้ ควรจำกัดการทำงานให้อยู่ในสภาพแวดล้อมที่ควบคุมได้ ตรวจสอบการเปลี่ยนแปลงด้วยชุดทดสอบ และให้คนตรวจทานโค้ดหรือคำสั่งที่มีผลสำคัญ แนวทางเหล่านี้เหมาะกับ coding agent โดยทั่วไป ส่วนข้อมูลที่มีอยู่ยังไม่ยืนยันว่า Q1 เชื่อถือได้มากพอสำหรับดูแลรีโพซิทอรีโดยไม่ต้องมีคนกำกับ