IQuest-Q1 – 至知创新研究院开源的 Agent 基础模型

IQuest-Q1是至知创新研究院于2026年9月开源的Agent 基础模型，主要用于命令行智能体与仓库级代码任务，采用稀疏 MoE 架构，总参数 320B、每个 token 仅激活 15B，可以接入 Claude Code 或 Codex 使用。

IQuest-Q1 的核心能力

命令行智能体的能力上限，往往取决于底层模型能不能读懂一个真实仓库：既要定位跨文件的依赖关系，也要在工具调用出错后自行恢复。IQuest-Q1 的训练目标正对准这一段。理解这类能力，可以先了解 AI 智能体 的执行方式。

仓库级代码生成

一句话需求可以生成完整可运行的多文件项目，模型需要在多个文件之间维持一致的结构与接口。官方公布其在 NL2Repo 仓库级生成榜单上为 63.0 分，位列开源模型第一梯队。

CLI 智能体操作

模型能读写代码库、调用命令行工具、检查执行结果并从错误中恢复，可以直接接入 Claude Code 与 Codex 使用。相比只输出代码片段的模型，它更强调在真实终端环境里把任务跑完。

前端交互应用生成

一次生成可以包含 3D 场景、交互逻辑与视觉呈现的可运行网页应用。官方展示了 FPS 游戏、赛车游戏与体素海底城市等例子，用来体现模型对场景搭建与交互逻辑的整体把握。

办公流程自动化

通过飞书的 lark-cli，模型可以交叉核对聊天记录与文档，完成事件定级、报告撰写、任务分配与进度跟踪的完整闭环。这类任务的难点不在单步操作，而在多轮信息的对齐与复核。

AI 研发自我诊断

模型能够追查强化学习训练中的异常，定位根因、修复代码并用新的指标曲线验证结果。官方举过一个例子：模型在排查训练代码时发现文本解码阶段多出一个空格，导致多轮轨迹只有最后一轮进入损失计算。

IQuest-Q1 与同类模型的对比

下表从参数规模、能力侧重与公开评测等维度，对比三款常被放在一起评估的模型。

上表 IQuest-Q1 一列取自其官方模型卡与项目说明，DeepSeek-V4.1-Flash 与 GLM-5.3 两列取自各自官方资料。三者的取舍方向不同：IQuest-Q1 把命令行智能体作为主战场，强调仓库级生成与工具链路闭环；DeepSeek-V4.1-Flash 以低成本与原生多模态作为主力档定位；GLM-5.3 在代码审计与漏洞发现上做了专项训练。选型时可以先明确任务属于代码工程、多模态理解还是安全审查，再看是否需要模型自带工具调用能力。

如果想先了解这类模型常被接入的编程智能体，可以参考 Codex（OpenAI 推出的编程智能体，与 IQuest-Q1 同属命令行开发场景，区别在于前者是完整的智能体产品，后者是可以驱动智能体的基础模型）。

Codex

一款由 OpenAI 开发的 AI 编程助手，旨在帮助开发者快速生成和优化代码。

IQuest-Q1 的应用场景与适用人群

把仓库级代码能力与工具调用放在一起之后，常见用途包括：

• 智能编程开发：一句话生成完整可运行的多文件项目，在 Claude Code 或 Codex 中自主读代码、修缺陷、跑测试，交付可验证的工程成果。
• 交互式网页与游戏生成：根据文字描述一次性产出 3D 游戏、可视化工具与设计页面，覆盖场景搭建、交互逻辑与视觉呈现。
• 办公流程自动化：打通聊天、文档、表格与会议信息，完成信息交叉核验、事件定级、报告撰写、任务分配与进度跟踪。
• AI 研发与训练运维：自动诊断模型训练异常，定位根因并修复代码，辅助研发团队维护和优化自己的训练管线。

适用人群：做仓库级代码生成、终端智能体与训练运维的技术团队，以及需要把办公流程串成闭环的研发与运营人员。模型目前为纯文本输入，官方也提示它仍处于早期阶段，在真实命令行任务中需要人工复核结果。

IQuest-Q1 的使用方法

从获取权重到接入智能体，可按以下步骤操作：

1. 获取模型权重：从 Hugging Face 或 GitHub 仓库下载模型权重与推理代码。
2. 部署推理服务：用 SGLang 或 vLLM 启动 OpenAI 兼容的推理服务，需要 8 卡张量并行与 bfloat16 精度，并加载 IQuest 格式的 tool-call 与 reasoning 解析器。
3. 加速与调参：如需更高吞吐可以启用递归 MTP 投机解码；复现官方评测建议使用 temperature=1.0、top-p=0.95 与 top-k=20。
4. 直接调用模型：通过 Python API 或 OpenAI 兼容接口发起请求，使用 IQuest 格式的 chat template 完成工具调用与推理。
5. 接入 Agent 工具：通过支持工具调用的网关接入 Claude Code 或 Codex，设置好网关地址与 API Token 后即可驱动智能体完成任务。
6. 验证与迭代：先用一个真实仓库完整走一遍任务链路，确认工具调用格式、显存占用与延迟都在可接受范围内，再扩大使用范围。官方项目地址见 IQuest-Q1 官方仓库。

建议先在多卡环境下完成一次完整任务验证，确认解析器与智能体框架的版本匹配，再投入实际使用；官方也提示模型在真实命令行任务中需要人工监督，交付前应保留复核环节。

IQuest-Q1 的价格与开源情况

IQuest-Q1 的权重与模型卡在 Hugging Face 上发布，GitHub 上的推理代码采用修改版 MIT 许可，允许商用，但要求在商业产品或服务的界面显著标注 IQuest-Q1。模型权重的许可标识与推理代码并不相同，采用前需要分别确认。

模型目前没有公开的托管在线服务，使用需要自行准备多卡环境，成本主要落在 GPU 与推理框架上；正式投入前建议先按自己的任务规模估算显存与吞吐需求，再决定部署方式。

IQuest-Q1 的常见问题