IQuest-Q1: mô hình AI 320 tỷ tham số dành cho coding agent có gì đáng chú ý?

IQuest-Q1 là mô hình có trọng số mở của IQuest Research, được xây dựng cho các coding agent hoạt động qua giao diện dòng lệnh (CLI). Thay vì chỉ gợi ý đoạn mã, loại agent này có thể đọc kho mã nguồn, gọi công cụ và xử lý một nhiệm vụ phần mềm qua nhiều bước. Mô hình có tổng cộng khoảng 320 tỷ tham số, kích hoạt khoảng 15 tỷ tham số cho mỗi token và được công bố hỗ trợ ngữ cảnh 512K token. Những đặc điểm ấy cho thấy định hướng của Q1, nhưng chưa chứng minh mô hình sẽ hoàn thành đáng tin cậy mọi tác vụ CLI cụ thể. 26815

Ngày phát hành và giấy phép: cần phân biệt trọng số với mã suy luận

Theo thông tin được công bố, trọng số và model card xuất hiện trên Hugging Face ngày 28 tháng 9 năm 2026; IQuest Research thông báo phát hành công khai vào ngày 29 tháng 9. GitHub cũng có mã suy luận, nhưng các nguồn hiện có không xác định riêng ngày phát hành phần mã này. 456

Giấy phép của trọng số và giấy phép của phần mềm suy luận là hai nội dung khác nhau. Trang Hugging Face ghi nhãn giấy phép của mô hình là iquest-q1. Trong khi đó, kho GitHub gọi giấy phép phần mềm của mình là Modified MIT: nếu phần mềm hoặc sản phẩm phái sinh được dùng trong sản phẩm hay dịch vụ thương mại, giao diện phải hiển thị nổi bật dòng “IQuest-Q1”. Vì vậy, không nên mặc định giấy phép của cả hai thành phần đều là MIT tiêu chuẩn; hãy xem điều khoản áp dụng cho từng phần trước khi tích hợp. 420

MoE 320 tỷ tham số, cửa sổ ngữ cảnh 512K

Q1 dùng kiến trúc Transformer chỉ giải mã (decoder-only) kết hợp MoE thưa — tức chỉ một nhóm chuyên gia được kích hoạt cho mỗi lượt xử lý. Mô hình có khoảng 320 tỷ tham số tổng cộng và 15 tỷ tham số được kích hoạt cho mỗi token; cấu hình công bố 256 chuyên gia, trong đó 8 chuyên gia được chọn tại một thời điểm. Kiến trúc chú ý cũng kết hợp các lớp cửa sổ trượt với lớp chú ý toàn phần. 26

Cửa sổ ngữ cảnh được công bố là 524.288 token, thường gọi gọn là 512K. Dung lượng này có thể chứa lượng lớn nội dung kho mã và lịch sử thao tác của agent. Tuy nhiên, 15 tỷ tham số kích hoạt không có nghĩa mô hình chỉ có kích thước tương đương một mô hình 15 tỷ tham số: tổng trọng số vẫn lớn, đòi hỏi năng lực phục vụ đáng kể. Mức dùng bộ nhớ và độ trễ còn tùy cấu hình triển khai cũng như độ dài ngữ cảnh thực tế. 1214

Triển khai và kết nối với công cụ CLI

Các tài liệu triển khai nêu SGLang và vLLM là những lựa chọn để phục vụ Q1. Hướng dẫn đi kèm đề cập đến tensor parallelism trên nhiều GPU, với ví dụ chia tải tám chiều, thay vì một thiết lập thông thường chỉ dùng một GPU. vLLM cũng cho biết hỗ trợ Q1 ngay từ ngày đầu, bao gồm kiểu chú ý kết hợp của mô hình. 114

Q1 được mô tả là có đường tích hợp với công cụ lập trình dòng lệnh như Claude Code và Codex CLI. Dù vậy, nhóm triển khai vẫn nên thử nghiệm định dạng gọi công cụ, mức sử dụng bộ nhớ và độ trễ trong chính bộ khung agent của mình. Cửa sổ 512K là mức tối đa được công bố, không phải cam kết rằng mọi tác vụ sẽ chạy hiệu quả ở độ dài đó. 3

Huấn luyện cho quy trình làm việc nhiều bước

IQuest cho biết Q1 được huấn luyện cho lập trình, suy luận, sử dụng công cụ, hiểu ngữ cảnh dài và thực hiện tác vụ nhiều bước. Các tường thuật về quá trình phát triển cũng nhắc đến học tăng cường trên nhiều bộ khung agent và chưng cất theo chính sách trực tuyến đa giáo viên (multi-teacher on-policy distillation, MOPD). Nói đơn giản, hướng tiếp cận này tập trung vào các lượt tương tác và phản hồi trong quá trình mô hình tự xử lý nhiệm vụ, thay vì chỉ học từ những câu trả lời mẫu cố định. 6924

Đây là những lựa chọn huấn luyện phù hợp với mục tiêu làm coding agent, chứ không phải bảo đảm rằng mô hình sẽ hoạt động ổn định trong mọi môi trường công cụ. Kết quả thực tế còn phụ thuộc vào bộ khung agent, nhiệm vụ và cấu hình phục vụ.

Benchmark cho thấy điều gì — và chưa cho thấy điều gì?

Một bài đăng của ModelScope nêu các điểm số 84,5 trên CyberGym, 83,2 trên Terminal-Bench 2.1, 64,6 trên DeepSWE v1.1 và 63,0 trên NL2Repo. Những bộ đánh giá này bao gồm các dạng công việc khác nhau như tác vụ an ninh mạng, thao tác terminal, nhiệm vụ lập trình kéo dài và tạo mã ở cấp kho dự án. 1521

Đây là các kết quả được công bố, không phải bằng chứng độc lập rằng Q1 sẽ vượt trội hơn một mô hình khác trong mọi thiết lập CLI. Muốn so sánh công bằng cần đối chiếu đúng phiên bản benchmark, bộ công cụ đánh giá và điều kiện thử nghiệm. Điểm số cũng không thay thế việc kiểm tra trên kho mã và quy trình làm việc thực tế của đội ngũ.

Q1 từng hỗ trợ nhóm phát triển điều tra lỗi

Các bài tường thuật về quá trình huấn luyện kể rằng nhóm nghiên cứu đã nhờ Q1 hỗ trợ điều tra một vấn đề trong pipeline huấn luyện. Mô hình phân tích log và dấu vết tương tác để giúp khoanh vùng lỗi định dạng văn bản khi các lượt hội thoại trước được đưa trở lại hệ thống. Nhà nghiên cứu xem xét chẩn đoán này; câu chuyện cho thấy mô hình có thể hỗ trợ công việc phát triển dưới sự giám sát, chứ không phải tự cải tiến hay tự phát hành phiên bản mới. 2728

Dùng được đến đâu cho coding agent?

Kiến trúc MoE, ngữ cảnh dài và định hướng huấn luyện khiến IQuest-Q1 trở thành một lựa chọn có thể cân nhắc cho quy trình lập trình có dùng công cụ và có người giám sát. Nhưng mô hình có quy mô lớn nên việc triển khai không đơn giản; các điểm benchmark cũng không phải lời hứa về hiệu suất trên một kho mã cụ thể.

Nếu thử nghiệm, hãy chạy mô hình trong môi trường được kiểm soát, xác minh thay đổi bằng kiểm thử và giữ bước con người duyệt lại những đoạn mã hoặc lệnh có hệ quả đáng kể. Đây là biện pháp thận trọng phù hợp với coding agent nói chung. Các nguồn hiện có chưa chứng minh Q1 đủ tin cậy để tự bảo trì kho mã mà không có giám sát.