IQuest-Q1

Überblick

IQuest-Q1 ist das erste große Allzweck-Agentenmodell von IQuest Research (至知创新研究院), einem Forschungsinstitut im Umfeld des Pekinger Quant-Fonds Ubiquant. Das Modell wurde Ende September 2026 als offene Gewichte veröffentlicht und ist ausdrücklich für Agenten in der Kommandozeile gebaut: Codebasis lesen, Werkzeuge aufrufen, Ergebnisse prüfen, Fehler beheben – über mittlere und lange Aufgabenketten.

Technisch ist es ein sparsames Mixture-of-Experts-Modell mit rund 320B Parametern, von denen pro Token etwa 15B aktiv sind (Sparsity knapp 20 : 1). Die Architektur kombiniert 88 Transformer-Layer, 256 Experten (8 aktiv) und ein Hybrid-Attention-Muster aus drei Sliding-Window-Layern (Fenster 4.096) auf einen Full-Attention-Layer. Das Kontextfenster liegt bei 524.288 Token (512K). Ein Multi-Token-Prediction-Modul dient im Betrieb als Draft-Modell für Speculative Decoding.

Training

• Pre- und Mid-Training: Datenmix mit Verschiebung zu Code und STEM, im Mid-Training ergänzt um agentische Trajektorien und Kontexterweiterung
• Synthetische Umgebungen: Aufgaben werden samt Umgebung erzeugt – reale APIs, MCP-Server und Arbeitsdateien für allgemeine Agentenaufgaben, ausführbare Repository-Umgebungen für Coding
• Multi-Harness-RL: Eine Policy trainiert über mehrere Agenten-Harnesses hinweg und lernt deren jeweilige Tools und Kontextverwaltung mit
• MOPD und Model Merging: Vier RL-Experten (Agentic User Experience, Multi-Harness, Long-Horizon, General Agentic) werden per Multi-Teacher On-Policy Distillation in ein Student-Modell überführt und anschließend stufenübergreifend zusammengeführt
• Laut Hersteller war das Modell unter menschlicher Aufsicht an seiner eigenen Weiterentwicklung beteiligt (Fehlerdiagnose, Trainingsdesign, Teile der Experimente)

Use Cases

• Coding-Agenten in bestehenden Harnesses: offiziell unterstützt sind Claude Code und Codex CLI über ein Gateway mit Anthropic-Messages- bzw. OpenAI-Responses-Schnittstelle
• Repository-weite Code-Generierung und langlaufende Terminal-Aufgaben (NL2Repo, Terminal-Bench 2.1, DeepSWE)
• Sicherheitsnahe Analyseaufgaben im Sandbox-Betrieb (CyberGym)
• Büro-Workflows über CLI-Werkzeuge – der Hersteller demonstriert dies mit lark-cli in Feishu
• Generierung interaktiver Web-Anwendungen aus Text-Briefings (Spiele, Tools, Visualisierungen)

Stärken & Grenzen

• Stark: 15B aktive Parameter halten die Kosten pro Token niedrig. Gegenüber dem ähnlich sparsamen DeepSeek V4 Flash 0731 (13B aktiv) liegt IQuest-Q1 laut Herstellerchart auf allen fünf Benchmarks vorn, auf denen beide gezeigt werden.
• Stark: NL2Repo 63,0 ist der auffälligste Wert – im Chart nur hinter Claude Opus 5 und vor DeepSeek V4 Pro 0813 sowie GLM-5.3. Auf CyberGym (84,5) liegt das Modell gleichauf mit GLM-5.3.
• Stark: Großzügiges 512K-Kontextfenster und Anbindung an etablierte Agenten-Harnesses ohne eigene Oberfläche.
• Grenze: Sämtliche Werte stammen vom Hersteller. Artificial Analysis und BenchLM führen das Modell zum Stand Oktober 2026 noch nicht.
• Grenze: Die Vergleichscharts zeigen je Benchmark nur fünf ausgewählte Modelle. Auf Terminal-Bench 2.1 liegt IQuest-Q1 hinter Claude Opus 5, Hy4 Preview und GLM-5.3-Flash; auf DeepSWE v1.1 und CyberGym liegt DeepSeek V4.1 Flash klar vorn.
• Grenze: Nur Texteingabe. Bilder in Agenten-Konversationen ersetzt der Hersteller bei der Evaluierung durch Platzhalter.
• Grenze: Tool-Calls nutzen ein IQuest-eigenes Format – für strukturierte Tool-Ausführung und Reasoning-Extraktion sind die passenden Parser (iquest_q1) in SGLang bzw. vLLM nötig.
• Grenze: Der Hersteller stuft das Modell selbst als frühes Stadium ein; es kann Vorgaben übersehen, fehlgeschlagene Versuche wiederholen oder Aufgaben ungelöst lassen.

Gut zu wissen

• Lizenz: Modifizierte MIT-Lizenz. Bei kommerzieller Nutzung des Modells oder abgeleiteter Werke muss „IQuest-Q1" sichtbar in der Benutzeroberfläche angezeigt werden.
• Gewichte: BF16, rund 650 GB auf Hugging Face. Quantisierte Varianten (FP8, NVFP4, GGUF) gab es zum Release-Zeitpunkt noch nicht.
• Hardware: Der Hersteller empfiehlt 8-fache Tensor-Parallelität (z. B. ein 8-GPU-Knoten) mit SGLang oder vLLM; fertige Docker-Images für CUDA 13 sind verfügbar. Für Workstations und Unified-Memory-Systeme ist das Modell in BF16 zu groß.
• Inferenz-Empfehlung: Temperatur 1,0, top-p 0,95, top-k 20.
• Verfügbarkeit: Hugging Face (IQuestLab/IQuest-Q1), ModelScope angekündigt; Day-0-Support in SGLang und vLLM. Kein First-Party-API-Preis veröffentlicht.

Weitere Benchmarks

Quelle IQuest Research (offizielle Angaben, Hugging Face / GitHub / Projektseite): DeepSWE v1.1 64,6 % (mini-SWE-agent) · NL2Repo 63,0 % · CyberGym 84,5 % (6 h Limit) · JobBench 55,7 % · Agents' Last Exam 29,6 % (Claude Code 2.1.258) · IQuest-CLIBench 53,7 % (hauseigener Benchmark für CLI-Nutzererfahrung). Für die übrigen Coding-Aufgaben nutzte der Hersteller Claude Code 2.1.140 als Harness.