IQuest Research 近日开源 IQuest-Q1：面向编程智能体、仓库导航与长程工具调用的开源权重模型。权重与技术材料已在 Hugging Face、GitHub 公开；PR Newswire 于 2026 年 10 月 8 日（美东）发稿介绍其早期开发者关注。
据 Hugging Face 模型卡，IQuest-Q1 为稀疏混合专家（MoE）结构：总参数约 320B，每个 token 约激活 15B；共 88 层，专家总数 256、每次激活 8 个。官方规格表还给出隐藏维度 3072、注意力头 Q/KV 为 48/8、头维 128 等细节。
注意力采用混合模式：3 次滑动窗口注意力（SWA）加 1 次全注意力（FA），滑动窗口大小 4096；MTP 推理侧滑动窗口另标为 512。上下文长度官方标为 524,288（约 524K）。
多 token 预测（MTP）方面，训练为 2 个独立 MTP 层；推理可走 1 层递归、展开至 8 步。官方部署说明中，SGLang / vLLM 均可选接 MTP / EAGLE 类投机路径。
后训练路径据官方说明，在监督微调（SFT）与强化学习（RL）之外，引入 Multi-Teacher On-Policy Distillation（MOPD）：在学生自身 on-policy 轨迹上综合多教师能力，避免单一教师偏差。PR Newswire 亦称训练分预训练、中训、后训三阶段，先建立代码流畅度，再延伸到更长、更难的任务。

图1：IQuest-Q1 官方训练管线。约 320B MoE、约 15B 激活；预训练至后训分阶段推进代码与长程任务能力。图源：Hugging Face IQuestLab/IQuest-Q1 官方 Training-Pipeline 资产
官方 Hugging Face 性能图汇总了同管线自报成绩（公司自报，非第三方独立复现）：DeepSWE v1.1 为 64.6；NL2Repo 为 63.0；CyberGym 为 84.5；Terminal-Bench 2.1 为 83.2。
同一图上还有：JobBench 55.7；Agents' Last Exam 29.6；无工具 Humanity's Last Exam（HLE）39.2；自建 IQuest-CLIBench 53.7。图注写明 DeepSeek-V4-Flash/Pro 对应官方 0731/0813 发布版，HLE 为无工具口径，CLIBench 为官方自建 CLI 体验基准。

图2：IQuest-Q1 官方同管线自报成绩——DeepSWE v1.1 为 64.6、NL2Repo 63.0、CyberGym 84.5、Terminal-Bench 2.1 为 83.2 等；上下文约 524K。图源：Hugging Face IQuestLab/IQuest-Q1 官方 Performance 资产；数字为公司自报/同管线
同一官方图中的对照基线亦须按「官方同管线对照」阅读。例如 DeepSWE 上 DeepSeek-V4.1-Flash 标为 74.2、Opus 5 为 73.7；Terminal-Bench 上 Opus 5 为 89.1。这些是图中并列基线，不是本文另行评测。
评测说明（官方）：DeepSWE 使用 mini-SWE-agent；其余多数智能体任务用 Claude Code；Agents' Last Exam 用 Claude Code 2.1.258，且因模型仅文本输入，多模态内容在分词时被占位符替换。运行时上限：CyberGym 6 小时、Terminal-Bench 2.1 为 8 小时。
复现建议（官方）：温度 1.0、top-p 0.95、top-k 20，搭配 Claude Code 2.1.140 或 Codex 0.142 作为对应 harness。公开分数优先引用已发布数字；否则按上述基准设置评测。
PR Newswire 转述官方演示：自然语言一句话可一次生成可运行的交互应用。一例是第一人称射击（FPS）——同趟生成含 3D 场景、角色移动、血量、计分、模式切换与局内商店等逻辑与文件布局。
另一例是赛车游戏：连续场景延伸、赛道几何与前后景切换，是「一锅出」生成常翻车之处；官方称 IQuest-Q1 可在无特殊提示下处理这类空间连续、交互密集的应用。
调试场景上，官方演示让模型介入真实强化学习（RL）训练栈：从训练曲线入手拉日志与执行轨迹，定位根因后打补丁并重启，再读新指标确认恢复。根因据称是训练轨迹里多了一个多余空格（stray space）；去掉后指标回升。
多步办公环境演示中，模型在含聊天、云文档、表格与评论线程的异构工作区里读写、调工具、随新信息纠偏，整理成可交接的分析与草稿。官方强调：推理、工具使用、长上下文与多步执行从训练目标起就纳入，而非事后适配。

图3：IQuest-Q1 官方后训练管线示意，含 SFT、RL 与 Multi-Teacher On-Policy Distillation（MOPD）。图源：Hugging Face IQuestLab/IQuest-Q1 官方 Post-Training-Pipeline 资产
部署方面，官方推荐用 Hugging Face 下载：hf download IQuestLab/IQuest-Q1。推理侧提供 Docker 镜像 iquestlabworkspace/sglang-iquest-q1:cu130 与 iquestlabworkspace/vllm-iquest-q1:cu130，示例张量并行 tp=8，并带 iquest_q1 工具调用与推理解析器。
智能体集成上，官方给出经网关对接 Claude Code（建议 2.1.140）与 Codex（建议 0.142）的说明：分别走 Anthropic Messages 与 OpenAI Responses 风格接口。客户端侧「1m」等命名不改变官方给出的约 512K 上下文上限口径。
局限写得很直接：当前检查点仅文本输入，无原生图像/音视频；生成解释与代码可能出错，需审查并用任务测试验证；真实 CLI 任务常需迭代调试，模型可能忽略约束、重复失败尝试或留下未解决问题，需要人工监督。官方称 IQuest-Q1 仍处早期阶段，能力与可靠性仍有大量工作要做。
早期外部讨论据 PR Newswire：有人关注其在应用构建、三维空间生成、代码诊断修复与复杂工具工作流上的评测；亦有公开用例把产品简报变成可交互的 SaaS 分析看板。第三方技术概述则讨论稀疏 MoE、与 Claude Code / Codex CLI 的集成，以及自托管约 320B 参数模型的基础设施需求。
技术栈开源入口包括 GitHub 仓库 IQuestLab/IQuest-Q1、Hugging Face 模型页，以及 IQuest Research 博客。对早期试用感兴趣的开发者与研究团队，官方留下邮箱 research@iquestlab.com。
阅读成绩时请区分：文中分数均来自官方性能图与模型卡的公司自报/同管线口径；对照模型分数亦出自该图，不是本文实测。演示案例来自 PR Newswire 对官方演示的转述，不代表任意仓库、任意 GPU 集群上的可复现保证。
简要结论：IQuest-Q1 是 IQuest Research 开源的约 320B MoE（约 15B 激活）编程/智能体模型，上下文约 524K，后训练含 MOPD；公司自报 DeepSWE 64.6、Terminal-Bench 2.1 为 83.2、CyberGym 84.5、NL2Repo 63.0 等；提供 SGLang/vLLM 镜像与 Claude Code / Codex 对接说明，同时标明文本-only 与早期可靠性限制。
以上内容整理自 Hugging Face「IQuestLab/IQuest-Q1」模型卡与官方性能图、GitHub 仓库说明，以及 PR Newswire《IQuest-Q1 Draws Early Developer Attention Across Coding and Agentic Workflows》（2026-10-08 ET）；文中架构、基准与演示均按上述来源口径转述，配图为官方资产并已注明出处。