答案已發布25 來源
IQuest-Q1 值唔值得用？睇清架構、授權同編程代理用途
IQuest Q1 面向命令列編程代理，採用約 320B 參數的稀疏 MoE 架構，每個 token 啟用約 15B 參數，context window 約 512K。 模型權重採用 Hugging Face 標示的自訂授權 iquest q1；GitHub 推理程式碼則採 Modified MIT，商業產品或服務須在介面顯眼位置標示「IQuest Q1」。
發布者使用 GPT-6 Luna 編輯圖片由 GPT Image 2 生成
研究答案
重點
- IQuest Q1 面向命令列編程代理，採用約 320B 參數的稀疏 MoE 架構，每個 token 啟用約 15B 參數，context window 約 512K。
- 模型權重採用 Hugging Face 標示的自訂授權 iquest q1；GitHub 推理程式碼則採 Modified MIT，商業產品或服務須在介面顯眼位置標示「IQuest Q1」。
- SGLang 和 vLLM 都有相關支援，但部署建議以多 GPU 為主；公開 benchmark 分數並不能保證模型在你的程式庫或 CLI 環境中可靠完成任務。
AI 提示
openai.comCreate a landscape editorial hero image for this Studio Global article: What is IQuest-Q1, when and under what license were its weights, model card and inference code released, and how do its architecture, contex. Article summary: IQuest-Q1 is IQuest Research’s open-weight model for command-line coding agents: it is intended to reason over a repository, use tools and carry out multi-step software-engineering tasks, rather than merely complete code. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
IQuest-Q1 是 IQuest Research 推出的開放權重模型，目標唔止係補完幾行程式碼，而係支援命令列編程代理：讀取程式庫、使用工具，再逐步處理較長嘅軟件工程任務。佢採用約 320B 參數嘅稀疏混合專家（MoE）架構，每個 token 約啟用 15B 參數，並提供標稱 512K token context window。不過，模型設計同 benchmark 成績都唔等於佢一定可以喺指定嘅 CLI 工作流程中可靠完成任務。2
6
8
15
幾時推出？權重同程式碼授權有咩分別？
Hugging Face 頁面顯示模型權重採用 iquest-q1 授權標籤。相關報道指，權重同 model card 於 2026 年 9 月 28 日上架，IQuest 就喺翌日，即 9 月 29 日對外發布。GitHub 亦提供推理程式碼，但現有資料未能確認程式碼另有一個獨立發布日期。4
5
6
留意，模型權重同推理程式碼唔係同一份授權。GitHub 上嘅軟件程式碼採用 Modified MIT，並附加一項商業使用條件：如果軟件或其衍生版本用於商業產品或服務，介面必須顯眼標示「IQuest-Q1」。至於模型權重，model card 則標示另一個授權名稱 iquest-q1。正式用喺產品之前，應分開核對各組件適用條款。4
20
320B 參數、15B 啟用，點樣理解？
IQuest-Q1 係 decoder-only Transformer，配合稀疏 MoE 架構。模型總參數約 320B，每個 token 約有 15B 參數啟用；設定列出總共 256 個專家，每次啟用其中 8 個。模型亦採用混合注意力模式，結合滑動視窗注意力同完整注意力層。2
6
佢標示嘅 context window 為 524,288 tokens，一般簡稱 512K，理論上可以放入相當長嘅提示內容、程式庫資料同工具操作紀錄。不過，15B 係每個 token 啟用嘅參數量，唔代表整個模型只得 15B 咁細；部署仍然要應付 320B 模型嘅資源需求，實際記憶體同速度亦會受配置同使用 context 長度影響。1
2
14
部署同 CLI 工具整合
現有部署資料提到可以用 SGLang 或 vLLM 服務模型。相關指引以多 GPU tensor parallelism 為主，並舉出八路並行嘅例子，唔應假設一般單張 GPU 就可以輕鬆本機運行。vLLM 亦表示推出首日已支援 Q1，包括處理其混合注意力模式。1
14
資料亦提到可接駁 Claude Code 同 Codex CLI 等命令列編程工具。3 實際落地時，應該用自己嘅 agent harness 測試工具呼叫格式、記憶體用量同延遲，並按真實工作長度試跑；標稱支援 512K context，唔等於部署時一定可以高效用盡呢個上限。
訓練方向：由寫 code 到多步工具任務
IQuest 表示，Q1 訓練涵蓋編程、推理、工具使用、長 context 理解同多步執行。相關開發資料亦提及多 harness 強化學習，以及 多教師 on-policy 蒸餾（multi-teacher on-policy distillation，MOPD）。簡單講，呢類方法嘗試利用模型自身互動過程中產生嘅軌跡來訓練，而唔係只靠一批固定示範答案。6
9
24
呢啲做法解釋咗點解 Q1 會以 agent 工作流程為訓練重點，但唔代表佢喺每種工具環境都一定穩定。實際效果仍然會受任務內容、agent harness 同部署設定影響。
公開 benchmark 成績點睇？
ModelScope 貼文列出 Q1 喺幾項評測嘅分數：CyberGym 84.5、Terminal-Bench 2.1 83.2、DeepSWE v1.1 64.6，以及 NL2Repo 63.0。呢啲 benchmark 涵蓋網絡安全、終端操作、長程編程任務同程式庫生成等不同工作。15
21
但要分清楚：以上係公開發布嘅評測結果，唔係獨立證明 Q1 喺任何指定 CLI 設定都會勝過其他模型。比較時亦要對齊 benchmark 版本同評測條件，否則分數未必可以直接相比。15
21
Q1 曾協助研究人員查訓練問題？
有關 Q1 訓練嘅報道提到，研究人員曾請模型協助排查訓練流程問題。Q1 分析日誌同互動紀錄，協助定位一個文字格式問題：系統將較早對話傳回去時出現偏差。研究人員再檢視模型提出嘅診斷。呢個例子展示嘅係有人監督下嘅研發協助，唔代表模型可以自行改良自己，或者自行決定發布新版本。27
28
用喺編程代理，現階段要留意乜？
Q1 嘅架構、長 context 同訓練方向，都令佢成為值得測試嘅工具型編程模型；但模型規模令部署唔算輕巧，而 benchmark 分數亦唔係指定程式庫表現嘅保證。
較穩妥嘅做法係喺受控環境試用，改動後跑測試，並由人手檢查重要程式碼或命令。呢啲本身就係使用編程代理時應有嘅防護措施；現有資料未能證明 Q1 已可靠到可以無人看管地維護程式庫。
Studio Global AI
繼續你的研究
此頁麵包含一個有來源支援的答案，您可以在 Studio Global 內繼續。
人們還問
「IQuest-Q1 值唔值得用？睇清架構、授權同編程代理用途」的簡短答案是什麼？
IQuest Q1 面向命令列編程代理，採用約 320B 參數的稀疏 MoE 架構，每個 token 啟用約 15B 參數，context window 約 512K。
首先要驗證的關鍵點是什麼？
IQuest Q1 面向命令列編程代理，採用約 320B 參數的稀疏 MoE 架構，每個 token 啟用約 15B 參數，context window 約 512K。 模型權重採用 Hugging Face 標示的自訂授權 iquest q1；GitHub 推理程式碼則採 Modified MIT，商業產品或服務須在介面顯眼位置標示「IQuest Q1」。
接下來在實務上我該做什麼？
SGLang 和 vLLM 都有相關支援，但部署建議以多 GPU 為主；公開 benchmark 分數並不能保證模型在你的程式庫或 CLI 環境中可靠完成任務。