IQuest-Q1: що відомо про модель для кодинг-агентів

IQuest-Q1 — модель із відкритими вагами від IQuest Research, створена для кодинг-агентів, які працюють у командному рядку: читають кодову базу, користуються інструментами й виконують завдання в кілька кроків. Її архітектура поєднує розріджену суміш експертів із 320 млрд параметрів загалом і приблизно 15 млрд активних параметрів на токен; заявлений контекст — 512 тисяч токенів. Модель навчали з прицілом на агентні сценарії, але самі лише опубліковані оцінки не показують, наскільки надійно вона впорається з конкретним завданням у CLI-середовищі. 26815

Коли модель випустили і які в неї ліцензії

За повідомленнями, ваги й картка моделі з’явилися на Hugging Face 28 вересня 2026 року, а публічний реліз IQuest Research відбувся наступного дня — 29 вересня. У репозиторії на GitHub також є код для інференсу, однак доступні джерела не підтверджують окрему дату його випуску. 456

Ліцензії на ваги та на код для запуску — різні. На сторінці моделі вказано ідентифікатор ліцензії iquest-q1. Репозиторій GitHub називає ліцензію свого програмного забезпечення Modified MIT і додає умову: якщо програму або її похідні використовують у комерційному продукті чи сервісі, в інтерфейсі потрібно помітно зазначити «IQuest-Q1». Тож перед використанням у продукті варто окремо перевірити умови для кожного компонента. 420

Архітектура та контекстне вікно

Q1 — це decoder-only Transformer із розрідженою архітектурою mixture-of-experts, або MoE. Загалом модель має близько 320 млрд параметрів, але для обробки кожного токена активуються приблизно 15 млрд. У конфігурації вказано 256 експертів, із яких одночасно задіюються вісім. Також модель використовує гібридну схему уваги, що чергує шари з ковзним вікном і повною увагою. 26

Заявлене контекстне вікно — 524 288 токенів, або 512K. Великий контекст дає змогу передати моделі значний обсяг коду й історії взаємодій із інструментами. Але це не робить її малою чи простою для розгортання: загальний розмір моделі все одно потребує суттєвих обчислювальних ресурсів, а пам’ять і швидкість роботи залежать від конфігурації та фактичної довжини контексту. 1214

Як запускати й інтегрувати з CLI-агентами

У матеріалах про розгортання згадуються SGLang і vLLM. Рекомендації передбачають роботу на кількох GPU з паралелізмом за тензорами; наведений приклад використовує вісім GPU. Це не типовий сценарій запуску на одному звичайному відеоприскорювачі. vLLM повідомив про підтримку Q1 від першого дня, зокрема для її змішаної схеми уваги. 114

Серед інструментів для командного рядка, з якими модель описують як сумісну, — Claude Code і Codex CLI. Перед використанням у власному агентному середовищі варто перевірити формат викликів інструментів, споживання пам’яті та затримку відповіді. Максимальний контекст у 512K сам по собі не дає відповіді на питання, як швидко й надійно працюватиме конкретне розгортання. 3

Навчання для агентних завдань

За описом IQuest, Q1 навчали для роботи з кодом, міркування, виклику інструментів, довгим контекстом і багатокроковими завданнями. У матеріалах про розробку також згадуються навчання з підкріпленням у кількох агентних середовищах і багатовчительська дистиляція на власній політиці (multi-teacher on-policy distillation, MOPD). Такий підхід спрямований на навчання через інтерактивні траєкторії самої моделі, а не лише через готові статичні відповіді. 6924

Ці методи пояснюють, чому модель орієнтована на роботу агента, але не гарантують стабільної поведінки в кожному середовищі. На результат впливають інструменти, агентна оболонка, саме завдання та конфігурація сервера.

Що показують опубліковані бенчмарки

У дописі ModelScope наведено такі результати: 84,5 бала на CyberGym, 83,2 на Terminal-Bench 2.1, 64,6 на DeepSWE v1.1 і 63,0 на NL2Repo. Ці бенчмарки охоплюють різні типи роботи — зокрема завдання з кібербезпеки, роботу в терміналі, триваліші задачі програмування та створення репозиторіїв. 1521

Це опубліковані результати, а не незалежне підтвердження того, що Q1 буде кращою за іншу модель у конкретній конфігурації CLI-агента. Для коректного порівняння важливо, щоб збігалися версії бенчмарків і умови оцінювання.

Як модель допомогла під час власної розробки

За описами процесу навчання, дослідники залучили Q1 до пошуку проблеми в навчальному конвеєрі. Модель проаналізувала журнали й записані траєкторії взаємодій та допомогла виявити помилку форматування тексту під час повернення попередніх реплік у систему. Діагноз перевірили дослідники. Цей випадок демонструє допомогу моделі в розробці під наглядом людей, а не її автономне самовдосконалення чи самостійний випуск нової версії. 2728

Що це означає для роботи з кодом

Архітектура Q1, великий контекст і спеціалізоване навчання роблять її кандидатом для кодинг-агентів, які працюють з інструментами під наглядом людини. Водночас модель масштабна, а результати бенчмарків не є обіцянкою, що вона безпомилково впорається з конкретним репозиторієм.

Для практичного використання її варто запускати в контрольованому середовищі, перевіряти зміни тестами й залишати людський перегляд для важливого коду та команд. Це розумні запобіжники для будь-якого кодинг-агента; доступні джерела не доводять, що Q1 вже можна безпечно залишати саму обслуговувати репозиторій.