又一个开源大模型入局：主攻代码与智能体

开源大模型赛道迎来新玩家。近日，至知创新研究院（IQuest Research）正式开源新一代大语言模型 IQuest-Q1，模型权重与博客同步开放。在代码与智能体方向，更小的激活参数、更强的任务执行能力、更低的部署成本成为新一轮竞争关键词。

1. 模型基本盘：轻量的 MoE 架构

IQuest-Q1 采用 320B 总参数、15B 激活参数的组合。随着大模型走向真实场景，推理成本、部署门槛和迭代速度成为核心指标，该模型选择“控总参、压激活、堆后训练配方”的路径。

2. 榜单成绩：多项优秀，整体均衡

在官方评测中，IQuest-Q1 在仓库级代码生成基准 NL2Repo 和网络安全基准 CyberGym 上表现稳健，并在 Terminal-Bench 2.1、DeepSWE v1.1 及 JobBench 等复杂任务评测中展现出较好的执行能力。15B 的激活规模在推理侧留出了可观的成本空间。

3. 技术路线：MOPD + 三段式训练

架构采用 decoder-only Transformer + 稀疏 MoE 主干。训练分三段：预训练奠定代码能力，中期训练向复杂任务过渡，后训练围绕软件工程、长时程任务和通用推理做专项训练，配合 SFT 与 RL。团队采用 Multi-Teacher On-Policy Distillation（MOPD），将多个教师模型的强项合并到小激活模型中。

4. 实测：聚焦“可交付结果”

IQuest-Q1 的能力锚点放在“可交付结果”上，扮演推动任务前进的“执行者”：
- 复杂交互应用开发：通过自然语言指令直接输出可运行的交互应用，如一次性完成 FPS 游戏的三维场景、角色移动、射击等多个模块。
- 训练诊断与代码修复：在 RL 训练异常后，自主完成读日志、定位问题代码、修复并验证的全过程。
- 复杂工作环境任务执行：接入多类信息与工具，完成分析、生成文档、修订结果，最终输出可交付方案。

5. 结语

IQuest-Q1 的加入释放出一个信号：开源大模型赛道正从“堆参数”的粗放竞争，转向“以效率换能力”的精细化竞争。