IQuest-Q1 خدام

IQuest-Q1 هو نموذج أساسي للـAgent مفتوح المصدر طوّراتو أكاديمية Zhizhi للابتكار والبحث، ومركّز على الكود ومهام الوكلاء الذكيين. كيستعمل IQuest-Q1 بنية MoE متفرقة، بإجمالي 320B بارامتر، غير كينشّط 15B لكل token، وهادشي كيخلّي كلفة الاستدلال منخفضة. تدرّب IQuest-Q1 فبيئات اصطناعية باستعمال التعلم المعزز عبر بزاف ديال الـharnesses والتقطير المباشر من عدة معلّمين (MOPD)، وكيقدر يتربط مع Claude Code ولا Codex. وكيحتل مراتب متقدمة فلوائح NL2Repo وCyberGym وغيرها، بأداء متوازن عموماً، وكيتميّز فالتوليد ديال الواجهات الأمامية، وأتمتة الأعمال المكتبية، وتشخيص البحث والتطوير ديال الذكاء الاصطناعي.

توليد الكود على مستوى المستودع: غير بجملة وحدة كتقدر تولّد مشروع كامل قابل للتشغيل فيه بزاف ديال الملفات، وكيجي ضمن الصف الأول ديال النماذج مفتوحة المصدر فلوحة NL2Repo.
تشغيل الوكلاء عبر CLI: كيقدر يقرا ويكتب فمستودعات الكود، يستعمل أدوات سطر الأوامر، يراجع النتائج ويرجع من الأخطاء، وكيخدم بسلاسة مع Claude Code وCodex.
توليد تطبيقات تفاعلية للواجهة الأمامية: كيولّد مرة وحدة تطبيقات ويب قابلة للتشغيل فيها مشاهد 3D، ومنطق تفاعلي، وعرض بصري، بحال ألعاب FPS، وألعاب السباق، ومدن بحرية مبنية بالـvoxel.
أتمتة دورة الأعمال المكتبية كاملة: باستعمال lark-cli ديال Feishu، كيقارن بين محادثات ووثائق، وكيكمّل الدورة كاملة من تصنيف الأحداث وكتابة التقارير، لتوزيع المهام وتتبع التقدم.
التشخيص الذاتي للبحث والتطوير ديال الذكاء الاصطناعي: كيقدر يتبع اختلالات تدريب التعلم المعزز، يحدد السبب الجذري، يصلح الكود ويتحقق من النتيجة باستعمال منحنيات مؤشرات جديدة.
تنفيذ المهام المعقدة متعددة المراحل: مخصص للمهام المتوسطة والطويلة، وكيقدر يتقدم فيها بشكل مستقل لساعات، فمجالات بحال الأمن السيبراني وتشغيل الأجهزة الطرفية.

تابع WeChat وردّ بـ«开源» باش تنضم لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
بنية MoE متفرقة: كيستعمل النموذج هيكل Transformer من نوع decoder-only مع بنية خليط الخبراء المتفرقة. مجموع البارامترات حوالي 320B، ولكن كل token كينشّط غير حوالي 15B بارامتر.
مراحل التدريب: التدريب مقسوم لثلاث مراحل: التدريب القبلي، والتدريب المتوسط، والتدريب اللاحق. التدريب القبلي كيأسس القدرات العامة ومعرفة العالم؛ والتدريب المتوسط كيوجّه توزيع البيانات نحو الكود وSTEM، وكيضيف مسارات وكلاء بسياق طويل؛ أما التدريب اللاحق فكيركز على هندسة البرمجيات، والمهام طويلة المدى، والاستدلال العام عبر SFT والتعلم المعزز حتى التقارب.
البيئات الاصطناعية والتعلم المعزز عبر عدة Harnesses: الفريق كيولّد مهام داخل بيئات قابلة للتنفيذ مبنية على API حقيقية، وخوادم MCP، ومستودعات، وكيخلّي سياسة وحدة تتدرّب عبر عدة harnesses مع الحفاظ على أدوات وطرق تدبير السياق الخاصة بكل واحد. بهاد الطريقة النموذج كيتعلم حل المشكل بحد ذاتو، وكيتعلم حتى أنماط السلوك اللازمة للخدمة داخل أنظمة وكلاء حقيقية. وقبل التحسين كيتدار تحديد مصدر الفشل، وما كيتستعمل كإشارة للتعلم غير الخطأ اللي راجع للنموذج نفسه.
التقطير المباشر من عدة معلّمين MOPD: التعلم المعزز كينتج نماذج متخصصة فـ4 اتجاهات: تجربة الوكيل، والتعاون بين عدة harnesses، والمهام طويلة المدى، وعمل الوكيل العام. نموذج الطالب، اللي تهيّأ من نقطة تفتيش SFT، كيتعلم من المسارات ديالو، وكيتم تقييم كل token من طرف الخبير المناسب، ومن بعد كيتدار دمج مستقر للنموذج على مراحل، باش تندمج عدة خبراء وتتقارب فـIQuest-Q1 واحد.
دورة بحث وتطوير ذاتية التطور بتعاون الإنسان والآلة: أثناء البحث والتطوير، النموذج كيساهم فتشخيص القدرات ديالو، وتصميم خطط التدريب، وتنفيذ جزء من التجارب. والباحثون البشر كيتكلفو بالقرارات الأساسية بحال تعديل الاتجاه، والتجارب المكلفة، واعتماد الإصدارات. وكل تحديث للنموذج، وأصل من أصول التدريب، ومسار عمل كيتحقق منو فكل دورة كيتخزن باش يتعاود يستعمل مباشرة فالدورة الموالية، وكيشكّل هادشي دورة مستمرة ديال التكرار.

الحصول على أوزان النموذج: حمّل أوزان النموذج وكود الاستدلال من مستودع Hugging Face ولا GitHub، وقناة ModelScope غادي تكون متاحة قريباً.
نشر خدمة الاستدلال: استعمل SGLang ولا vLLM لتشغيل خدمة استدلال متوافقة مع OpenAI، وكتحتاج توازي المصفوفة على 8 بطاقات (TP=8)، ودقة bfloat16، مع تحميل محللات tool-call وreasoning الخاصة بـIQuest.
التسريع وضبط الإعدادات (اختياري): إلا بغيتي throughput أعلى، فعّل فك الترميز التخميني MTP التكراري؛ ولإعادة إنتاج التقييم الرسمي كينصح بـ temperature=1.0 وtop-p=0.95 وtop-k=20.
الاستدعاء المباشر للنموذج: دير الطلب مباشرة عبر Python API ولا واجهة متوافقة مع OpenAI، واستعمل chat template بصيغة IQuest لاستدعاء الأدوات والاستدلال.
الربط مع أدوات Agent: ربط عبر بوابة كتدعم استدعاء الأدوات مع Claude Code ولا Codex CLI، ومن بعد ما تضبط عنوان البوابة وAPI Token، يقدر IQuest-Q1 يحرّك الوكيل باش ينجز المهام.

فعالية استدلال عالية بزاف: عندو 320B بارامتر فالمجموع، ولكن كينشّط غير 15B لكل token، وكيعطي قدرات مهام بمستوى النماذج الرائدة بتكلفة استدلال قريبة من النماذج الصغيرة.
نتائج متوازنة وشاملة: كيبقى فالمراتب الأولى فالثمانية ديال اللوائح، بما فيها DeepSWE وNL2Repo وCyberGym وTerminal-Bench وJobBench، بلا نقطة ضعف واضحة فالمهارات.
قدرات قوية فالكود: جاب 63.0 نقطة فالتوليد على مستوى المستودع فـNL2Repo، وتفوّق على DeepSeek-V4-Pro وHunyuan Hy4، وجا فالصف الأول ديال النماذج مفتوحة المصدر.
دورة وكيل حقيقية ومتكاملة: ماشي غير كيولّد الكود، بل كيقدر يقرا السجلات، يستعمل الأدوات، يرجع من الأخطاء، ويسلّم نتيجة نهائية قابلة للتحقق.
ربط سريع مع وكلاء Agent المشهورين: كيوفر واجهة متوافقة مع OpenAI وصورة Docker رسمية، وتقدر تبدلو مباشرة داخل Claude Code وCodex.

الموقع الرسمي للمشروع: https://iquestlab.github.io/
مستودع GitHub: https://github.com/IQuestLab/IQuest-Q1
مستودع النموذج على HuggingFace: https://huggingface.co/IQuestLab/IQuest-Q1

البرمجة والتطوير الذكي: بجملة وحدة كيولّد مشروع كامل قابل للتشغيل فيه بزاف ديال الملفات، وكيقدر داخل Claude Code / Codex يقرا الكود بشكل مستقل، يصلح الأخطاء، يشغّل الاختبارات، ويسلّم نتيجة هندسية قابلة للتحقق.
توليد صفحات ويب وألعاب تفاعلية: انطلاقاً من وصف مكتوب، كيخرج مرة وحدة تطبيقات أمامية بحال ألعاب 3D، وأدوات بصرية، وصفحات تصميم، وكيغطي بناء المشاهد، والمنطق التفاعلي، والعرض البصري.
أتمتة مسارات العمل المكتبية: باستعمال lark-cli ديال Feishu كيربط المحادثات والوثائق والجداول والاجتماعات، وكيكمّل العملية كاملة من التحقق المتقاطع من المعلومات، وتصنيف الأحداث، وكتابة التقارير، وتوزيع المهام، حتى تتبع التقدم.
البحث والتطوير ديال الذكاء الاصطناعي وتشغيل التدريب: كيشخّص تلقائياً اختلالات تدريب النماذج، كيحدد السبب الجذري ويصلح الكود، وكيعاون فرق الذكاء الاصطناعي فصيانة وتحسين مسارات البحث والتطوير ديالها.