IQuest-Q1 운영 중

IQuest-Q1은 즈즈 혁신 연구원이 오픈 소스로 공개한 Agent 기반 모델로, 코드 및 에이전트 작업에 중점을 둡니다. IQuest-Q1은 희소 MoE 아키텍처를 사용하며, 총 매개변수는 320B이고 토큰당 15B만 활성화해 추론 비용이 낮습니다. IQuest-Q1은 합성 환경에서 여러 harness 강화 학습과 다중 교사 온라인 지식 증류(MOPD)를 거쳐 학습되었으며, Claude Code 또는 Codex에 연결할 수 있습니다. NL2Repo, CyberGym 등의 벤치마크에서 상위권을 차지하고, 전반적으로 균형 잡힌 성능과 함께 프런트엔드 생성, 업무 자동화 및 AI 연구개발 진단에 강점을 보입니다.

저장소 수준 코드 생성: 한 문장의 요구사항만으로 완전하고 실행 가능한 다중 파일 프로젝트를 생성하며, NL2Repo 벤치마크에서 오픈 소스 모델 최상위권에 올랐습니다.
CLI 에이전트 작업: 코드 저장소를 읽고 쓸 수 있으며, 명령줄 도구를 호출하고 결과를 확인한 뒤 오류에서 복구할 수 있습니다. Claude Code와 Codex에 원활하게 연결해 사용할 수 있습니다.
프런트엔드 인터랙티브 애플리케이션 생성: 3D 장면, 상호작용 로직 및 시각적 표현을 포함한 실행 가능한 웹 애플리케이션을 한 번에 생성합니다. 예를 들어 FPS 게임, 레이싱 게임, 복셀 해저 도시 등을 만들 수 있습니다.
업무 전 과정 자동화: Feishu lark-cli를 통해 채팅 기록과 문서를 상호 대조하고, 사건 분류, 보고서 작성, 작업 배정 및 진행 상황 추적을 아우르는 전체 프로세스를 완성합니다.
AI 연구개발 자체 진단: 강화 학습 훈련 이상을 추적하고, 근본 원인을 파악해 코드를 수정한 뒤 새로운 지표 곡선으로 결과를 검증할 수 있습니다.
다단계 복합 작업 수행: 중장기 작업을 대상으로 수 시간 동안 자율적으로 작업을 계속 진행할 수 있으며, 사이버 보안과 터미널 조작 등의 시나리오를 지원합니다.

WeChat에서 팔로우한 뒤 “开源”로 답장하면 AI 오픈 소스 프로젝트交流群에 참여할 수 있습니다.
희소 MoE 아키텍처: decoder-only Transformer를 주축으로 희소 혼합 전문가 구조를 사용합니다. 총 매개변수는 약 320B이지만 토큰당 약 15B의 매개변수만 활성화됩니다.
단계별 학습 과정: 학습은 사전 학습, 중기 학습 및 후학습의 세 단계로 나뉩니다. 사전 학습에서는 일반 능력과 세계 지식을 다지고, 중기 학습에서는 데이터 분포를 코드 및 STEM으로 전환하며 긴 컨텍스트 에이전트 궤적을 추가합니다. 후학습에서는 소프트웨어 엔지니어링, 장시간 작업 및 일반 추론을 중심으로 SFT와 강화 학습을 수행해 수렴시킵니다.
합성 환경과 다중 Harness 강화 학습: 팀은 실제 API, MCP 서버 및 저장소로 구성된 실행 가능한 환경에서 작업을 합성합니다. 단일 정책을 여러 harness에서 학습하되 각 harness의 도구와 컨텍스트 관리 방식을 유지해, 모델이 문제 해결 자체뿐 아니라 실제 에이전트 시스템에서 작동하는 행동 패턴도 학습하도록 합니다. 최적화 전에 실패 원인을 분석하고, 모델 자체의 오류만 학습 신호로 사용합니다.
MOPD 다중 교사 온라인 지식 증류: 강화 학습을 통해 에이전트 경험, 다중 harness 협업, 장기 작업 및 범용 에이전트 작업의 네 방향별 전문 모델을 생성합니다. MOPD는 SFT 체크포인트로 초기화한 학생 모델이 자신의 궤적을 학습하도록 하며, 해당 전문가가 토큰 단위로 점수를 매긴 뒤 단계별 안정화 모델 병합을 진행해 여러 전문가를 하나의 IQuest-Q1로 통합하고 수렴시킵니다.
인간-기계 협업 기반 자기 진화 연구개발 프로세스: 연구개발 과정에서 모델은 자체 능력 진단, 학습 계획 설계 및 일부 실험 실행에 참여하고, 인간 연구원은 방향 조정, 고비용 실험 및 버전 채택과 같은 핵심 의사결정을 담당합니다. 매 라운드 검증 후 모델 업데이트, 학습 자산 및 프로세스를 축적해 다음 라운드에서 바로 재사용함으로써 지속적인 반복 개선의 순환을 형성합니다.

모델 가중치 받기: Hugging Face 또는 GitHub 저장소에서 모델 가중치와 추론 코드를 다운로드할 수 있으며, ModelScope 채널은 곧 제공될 예정입니다.
추론 서비스 배포: SGLang 또는 vLLM으로 OpenAI 호환 추론 서비스를 시작합니다. 8카드 텐서 병렬 처리(TP=8), bfloat16 정밀도 및 IQuest 전용 tool-call·reasoning 파서를 로드해야 합니다.
가속 및 매개변수 조정(선택 사항): 더 높은 처리량이 필요하면 재귀 MTP 추측 디코딩을 활성화할 수 있습니다. 공식 평가 재현을 위해 temperature=1.0, top-p=0.95, top-k=20을 권장합니다.
모델 직접 호출: Python API 또는 OpenAI 호환 인터페이스를 통해 직접 요청을 보내고, 도구 호출과 추론에 IQuest 형식의 chat template을 사용합니다.
Agent 도구 연결 및 사용: 도구 호출을 지원하는 게이트웨이를 통해 Claude Code 또는 Codex CLI에 연결합니다. 게이트웨이 주소와 API Token을 설정하면 IQuest-Q1이 에이전트를 구동해 작업을 수행할 수 있습니다.

탁월한 추론 효율: 총 매개변수는 320B이지만 토큰당 15B만 활성화해, 소형 모델에 가까운 추론 비용으로 플래그십 수준의 작업 능력을 제공합니다.
균형 잡힌 종합 성능: DeepSWE, NL2Repo, CyberGym, Terminal-Bench, JobBench 등 8개 벤치마크에서 모두 안정적으로 상위권을 차지해 뚜렷한 약점이 없습니다.
뛰어난 코드 능력: 저장소 수준 생성 부문인 NL2Repo에서 63.0점을 기록해 DeepSeek-V4-Pro와 혼원 Hy4를 넘어 오픈 소스 모델 최상위권에 올랐습니다.
실제 에이전트 전체 순환: 코드 생성뿐 아니라 로그를 읽고 도구를 호출하며 오류에서 복구해 검증 가능한 최종 결과를 제공할 수 있습니다.
주요 Agent에 원클릭 연결: OpenAI 호환 인터페이스와 공식 Docker 이미지를 제공해 Claude Code와 Codex에 바로 연결해 사용할 수 있습니다.

프로젝트 공식 웹사이트: https://iquestlab.github.io/
GitHub 저장소: https://github.com/IQuestLab/IQuest-Q1
Hugging Face 모델 저장소: https://huggingface.co/IQuestLab/IQuest-Q1

지능형 프로그래밍 개발: 한 문장의 설명으로 완전하고 실행 가능한 다중 파일 프로젝트를 생성하며, Claude Code / Codex에서 자율적으로 코드를 읽고 버그를 수정하고 테스트를 실행해 검증 가능한 엔지니어링 결과물을 제공합니다.
인터랙티브 웹 및 게임 생성: 텍스트 설명을 바탕으로 3D 게임, 시각화 도구, 디자인 페이지 등의 프런트엔드 애플리케이션을 한 번에 생성하며, 장면 구성, 상호작용 로직 및 시각적 표현을 모두 지원합니다.
업무 프로세스 자동화: Feishu lark-cli를 통해 채팅, 문서, 스프레드시트 및 회의를 연결하고, 정보 상호 검증, 사건 분류, 보고서 작성, 작업 배정 및 진행 상황 추적을 전 과정에 걸쳐 수행합니다.
AI 연구개발 및 학습 운영: 모델 학습 이상을 자동으로 진단하고 근본 원인을 파악해 코드를 수정하며, AI 팀이 자체 연구개발 파이프라인을 유지하고 최적화하도록 지원합니다.