IQuest-Q1: Komut satırında kodlama görevleri için tasarlanan model

IQuest-Q1, bir kod deposunu inceleyip araçları kullanarak birden fazla adımdan oluşan yazılım görevlerini tamamlaması için tasarlanmış açık ağırlıklı bir model. Özellikle komut satırında çalışan kodlama ajanlarını hedefliyor. 320 milyar parametreli seyrek uzman karışımı (MoE) mimarisi kullanıyor; her token işlenirken yaklaşık 15 milyar parametre etkinleşiyor. Bildirilen bağlam penceresi 512 bin token. Bu özellikler ajan iş akışlarına yönelik tasarımı gösterse de, yayımlanan benchmark puanları modelin belirli bir görevi ne kadar güvenilir tamamlayacağını tek başına kanıtlamıyor. 26815

Yayın tarihi ve lisanslar

Hugging Face model sayfasında modelin lisans tanımlayıcısı iquest-q1 olarak yer alıyor. Bir habere göre ağırlıklar ve model kartı 28 Eylül 2026’da Hugging Face’e yüklendi; IQuest’in kamuya açık duyurusu ise ertesi gün, 29 Eylül’de yapıldı. GitHub deposunda çıkarım kodu da bulunuyor, ancak mevcut kaynaklar bu kod için ayrı bir yayın tarihi belirtmiyor. 456

Model ağırlıklarının lisansı ile çıkarım yazılımının lisansı aynı değil. GitHub deposu yazılım lisansını Modified MIT olarak tanımlıyor ve ticari ürün ya da hizmetlerde bu yazılımı veya türevlerini kullananların arayüzde “IQuest-Q1” ibaresini belirgin biçimde göstermesini şart koşuyor. Model kartında ise ağırlıklar için ayrı bir iquest-q1 lisans etiketi kullanılıyor. Bir ürüne entegre etmeden önce her bileşen için geçerli koşulları ayrı ayrı incelemek gerekiyor. 420

Mimari ve bağlam penceresi

Q1, seyrek uzman karışımı mimarisine sahip, yalnızca kod çözücü kullanan bir Transformer modeli. Yaklaşık 320 milyar toplam parametresi ve token başına yaklaşık 15 milyar etkin parametresi var. Yapılandırmasında 256 uzman bulunuyor; her seferinde bunların sekizi etkinleştiriliyor. Model sayfası, kayan pencere ve tam dikkat katmanlarını bir araya getiren hibrit bir dikkat düzeni de tanımlıyor. 26

Bildirilen bağlam penceresi 524.288 token, yani yaygın kullanımıyla 512 bin token. Bu kapasite, uzun istemleri ve büyük kod depolarından daha fazla içeriği tek bağlamda işlemeye elverişli. Ancak model bu nedenle küçük veya kolay çalıştırılan bir modele dönüşmüyor: toplam ağırlıklar hâlâ ciddi sunucu kapasitesi gerektiriyor; bellek kullanımı ve gecikme de kurulum ile kullanılan bağlam uzunluğuna göre değişiyor. 1214

Sunucu kurulumu ve komut satırı araçları

Mevcut dağıtım kaynaklarında önerilen sunum seçenekleri SGLang ve vLLM. Kurulum yönergeleri, sıradan tek GPU kullanımından ziyade çoklu GPU üzerinde tensör paralelliğine işaret ediyor; örneklerden biri sekiz yönlü paralellik kullanıyor. vLLM de modelin hibrit dikkat düzenini destekleyerek ilk günden Q1 desteği sunduğunu bildirdi. 114

Modelin Claude Code ve Codex CLI gibi komut satırı kodlama araçlarıyla entegrasyon yolları olduğu belirtiliyor. Yine de ekiplerin kendi ajan altyapılarında araç çağrısı biçimini, bellek kullanımını ve gecikmeyi gerçek çalışma bağlamlarıyla sınaması önemli. 512 bin tokenlık azami kapasite, modelin her kurulumda bu uzunlukta verimli çalışacağı anlamına gelmiyor. 3

Ajan görevleri için eğitim

IQuest, Q1’in eğitiminde kodlama, akıl yürütme, araç kullanımı, uzun bağlamı anlama ve çok adımlı görevleri yürütme becerilerine odaklandığını söylüyor. Geliştirme sürecine ilişkin anlatımlarda, birden fazla araç altyapısını içeren pekiştirmeli öğrenmeden ve çok öğretmenli çevrimiçi politika damıtımından (MOPD) söz ediliyor. Bu yaklaşım, yalnızca sabit örnek yanıtları öğretmek yerine modelin etkileşimli görev akışları üzerinden eğitilmesini amaçlıyor. 6924

Bu yöntemler modelin neden ajan iş akışlarına göre tasarlandığını açıklıyor; ancak her araç ortamında tutarlı davranacağı anlamına gelmiyor. Sonuçlar, kullanılan görev altyapısına, görevin niteliğine ve sunucu ayarlarına bağlı olmaya devam ediyor.

Yayımlanan benchmark sonuçları ne gösteriyor?

ModelScope’un paylaşımında Q1 için CyberGym’de 84,5, Terminal-Bench 2.1’de 83,2, DeepSWE v1.1’de 64,6 ve NL2Repo’da 63,0 puanları listeleniyor. Bu testler güvenlik görevleri, terminal kullanımı, uzun süreli kodlama işleri ve depo oluşturma gibi farklı alanları kapsıyor. Bunlar yayımlanmış sonuçlar; Q1’in belirli bir komut satırı kurulumunda başka bir modelden daha iyi çalıştığının bağımsız kanıtı değil. Karşılaştırma yaparken benchmark sürümlerinin ve değerlendirme koşullarının aynı olması gerekiyor. 1521

Model kendi geliştirme sürecinde nasıl kullanıldı?

IQuest’in eğitim sürecine ilişkin haberlerde, araştırmacıların eğitim hattındaki bir sorunu incelemesi için Q1’den yardım istediği aktarılıyor. Model günlükleri ve kaydedilmiş etkileşim izlerini analiz ederek önceki turların sisteme geri aktarılmasında metin biçimlendirmeyle ilgili bir sorun olabileceğini belirlemeye yardımcı oldu. Teşhisi araştırmacılar değerlendirdi. Bu örnek, insan gözetiminde geliştirme desteğini gösteriyor; modelin kendi kendini bağımsız biçimde geliştirdiği ya da yayımladığı anlamına gelmiyor. 2728

Kodlama ajanlarında kullanım açısından değerlendirme

Q1’in mimarisi, uzun bağlam kapasitesi ve eğitim odağı, onu gözetim altında çalışan ve araç kullanan kodlama iş akışları için değerlendirilebilir bir seçenek hâline getiriyor. Öte yandan modelin ölçeği kurulumu kolaylaştırmıyor; benchmark sonuçları da belirli bir kod deposunda nasıl performans göstereceğine dair garanti sunmuyor.

Pratik kullanımda modeli kontrollü bir ortamda çalıştırmak, yaptığı değişiklikleri testlerle doğrulamak ve önemli kod ya da komutları insan incelemesinden geçirmek yerinde olur. Bunlar tüm kodlama ajanları için geçerli önlemler. Mevcut kaynaklar, Q1’in bir kod deposunu gözetimsiz biçimde yönetebilecek kadar güvenilir olduğunu göstermiyor.