IQuest-Q1 Inafanya kazi

IQuest-Q1 ni modeli ya msingi ya Agent iliyotolewa kama chanzo huria na Taasisi ya Utafiti wa Ubunifu ya Zhizhi, ikilenga kazi za programu na mawakala mahiri. IQuest-Q1 hutumia usanifu wa sparse MoE, ikiwa na jumla ya vigezo 320B huku kila token ikiwezesha 15B pekee, hivyo gharama ya uendeshaji wa inference ni ndogo. IQuest-Q1 imefunzwa katika mazingira ya usanisi kupitia ujifunzaji wa kuimarisha kwa kutumia harness nyingi na distillation ya mtandaoni kutoka kwa walimu wengi (MOPD). Inaweza kuunganishwa na Claude Code au Codex, iko katika nafasi za juu kwenye viwango kama NL2Repo na CyberGym, ina utendaji uliosawazika kwa ujumla, na inafanya vizuri katika uundaji wa frontend, uwekaji otomatiki wa kazi za ofisini na utambuzi wa hitilafu katika utafiti na maendeleo ya AI.

Uundaji wa msimbo wa kiwango cha hifadhi: Mahitaji ya sentensi moja yanaweza kutoa mradi kamili wa faili nyingi unaoweza kuendeshwa, na uko katika kundi la kwanza la modeli huria kwenye kiwango cha NL2Repo.
Uendeshaji wa mawakala kupitia CLI: Inaweza kusoma na kuandika hifadhi za msimbo, kuita zana za mstari wa amri, kukagua matokeo na kurekebisha hitilafu, huku ikiunganishwa bila mshono na Claude Code na Codex.
Uundaji wa programu za frontend zinazoingiliana: Kwa mara moja inaweza kutoa programu za wavuti zinazoendeshwa zenye mandhari ya 3D, mantiki ya mwingiliano na uwasilishaji wa kuona, kama michezo ya FPS, michezo ya mbio na miji ya chini ya bahari yenye voxeli.
Uwekaji otomatiki wa mchakato mzima wa ofisini: Kupitia lark-cli ya Feishu, inalinganisha kumbukumbu za mazungumzo na nyaraka ili kukamilisha mchakato mzima wa kuweka viwango vya matukio, kuandika ripoti, kugawa kazi na kufuatilia maendeleo.
Utambuzi wa hitilafu katika utafiti na maendeleo ya AI: Inaweza kufuatilia hitilafu za mafunzo ya ujifunzaji wa kuimarisha, kubaini chanzo, kurekebisha msimbo na kuthibitisha matokeo kwa kutumia mikondo mipya ya vipimo.
Utekelezaji wa kazi changamano za hatua nyingi: Kwa kazi za muda wa kati na mrefu, inaweza kuendelea kufanya kazi kwa uhuru kwa saa kadhaa, ikishughulikia hali kama usalama wa mtandao na uendeshaji wa vituo vya mwisho.

Fuata WeChat na ujibu “开源” ili ujiunge na kikundi cha mawasiliano cha miradi huria ya AI
Usanifu wa sparse MoE: Modeli hutumia msingi wa decoder-only Transformer pamoja na muundo wa sparse mixture-of-experts, ikiwa na jumla ya takriban vigezo 320B, lakini kila token huwezesha takriban vigezo 15B pekee.
Mchakato wa mafunzo wa hatua kadhaa: Mafunzo yamegawanywa katika hatua tatu: mafunzo ya awali, mafunzo ya kati na mafunzo ya baadae. Mafunzo ya awali hujenga uwezo wa jumla na maarifa ya ulimwengu; mafunzo ya kati hubadilisha usambazaji wa data kuelekea msimbo na STEM, huku yakiongeza mfuatano wa mawakala wenye muktadha mrefu; mafunzo ya baadae hulenga uhandisi wa programu, kazi za muda mrefu na ufikiri wa jumla kupitia SFT na ujifunzaji wa kuimarisha.
Mazingira ya usanisi na ujifunzaji wa kuimarisha wenye Harness nyingi: Timu huunda kazi katika mazingira yanayoweza kutekelezwa yaliyoundwa kwa API halisi, seva za MCP na hifadhi, na kuruhusu sera moja kufunzwa kwenye harness nyingi huku ikihifadhi zana na mbinu zao za usimamizi wa muktadha. Hivyo, model hujifunza si tu kutatua tatizo, bali pia mifumo ya tabia ya kufanya kazi katika mifumo halisi ya mawakala; kabla ya uboreshaji, sababu za kushindwa huchanganuliwa, na ni makosa ya model yenyewe pekee yanayotumika kama ishara ya kujifunza.
Distillation ya mtandaoni kutoka kwa walimu wengi ya MOPD: Ujifunzaji wa kuimarisha huzalisha modeli maalum katika mwelekeo minne: uzoefu wa mawakala, ushirikiano wa harness nyingi, kazi za muda mrefu na kazi ya mawakala wa jumla. MOPD huanzisha modeli mwanafunzi kwa kituo cha ukaguzi cha SFT, hujifunza kutokana na mfuatano wake yenyewe, hupata alama ya kila token kutoka kwa mtaalamu husika, kisha huunganisha modeli kwa hatua ili kuzikusanya modeli nyingi za wataalamu kuwa IQuest-Q1 moja.
Mchakato wa utafiti na maendeleo wa kujiboresha unaosaidiwa na mashine: Wakati wa utafiti na maendeleo, model hushiriki katika utambuzi wa uwezo wake, usanifu wa mipango ya mafunzo na utekelezaji wa baadhi ya majaribio. Watafiti binadamu hubeba maamuzi muhimu kama kurekebisha mwelekeo, kufanya majaribio ya gharama kubwa na kupitisha matoleo; baada ya kila duru ya uthibitishaji, masasisho ya model, rasilimali za mafunzo na taratibu huhifadhiwa kwa matumizi ya moja kwa moja katika duru inayofuata, na kuunda mchakato endelevu wa marudio.

kupata uzito wa modeli: Pakua uzito wa modeli na msimbo wa inference kutoka kwenye hifadhi za Hugging Face au GitHub; chaneli ya ModelScope itawekwa hivi karibuni.
Kupeleka huduma ya inference: Tumia SGLang au vLLM kuanzisha huduma ya inference inayooana na OpenAI. Inahitaji parallelism ya tensor ya kadi 8 (TP=8), usahihi wa bfloat16, pamoja na kupakia vichanganuzi maalum vya IQuest vya tool-call na reasoning.
Kuongeza kasi na kurekebisha vigezo (si lazima): Kwa throughput ya juu zaidi, unaweza kuwezesha recursive MTP speculative decoding; kwa kurudia tathmini rasmi, inapendekezwa kutumia temperature=1.0, top-p=0.95 na top-k=20.
Kuita modeli moja kwa moja: Tuma maombi moja kwa moja kupitia API ya Python au kiolesura kinachoendana na OpenAI, ukitumia chat template ya muundo wa IQuest kwa kuita zana na kufanya reasoning.
Kuunganisha zana za Agent: Unganisha Claude Code au Codex CLI kupitia gateway inayounga mkono tool calling. Baada ya kuweka anwani ya gateway na API Token, IQuest-Q1 inaweza kuendesha agent kukamilisha kazi.

Ufanisi wa juu wa inference: Ina jumla ya vigezo 320B lakini huwezesha 15B pekee kwa kila token, ikitoa uwezo wa kazi wa kiwango cha juu kwa gharama ya inference inayokaribia ile ya modeli ndogo.
Matokeo yaliyosawazika na mapana: Iko katika nafasi za juu kwa uthabiti kwenye viwango vyote vinane, vikiwemo DeepSWE, NL2Repo, CyberGym, Terminal-Bench na JobBench, bila udhaifu wa uwezo.
Uwezo bora wa msimbo: Uundaji wa kiwango cha hifadhi ulipata alama 63.0 kwenye NL2Repo, ukazidi DeepSeek-V4-Pro na Hunyuan Hy4, na kuwa katika kundi la kwanza la modeli huria.
Mchakato halisi wa wakala uliofungwa: Si tu kwamba inaweza kutoa msimbo, bali pia inaweza kusoma kumbukumbu, kutumia zana, kurekebisha makosa na kutoa matokeo ya mwisho yanayoweza kuthibitishwa.
Kuunganishwa kwa mbofyo mmoja na mawakala wakuu: Inatoa kiolesura kinachoendana na OpenAI na picha rasmi ya Docker, na inaweza kubadilishwa moja kwa moja ili itumike katika Claude Code na Codex.

Tovuti rasmi ya mradi: https://iquestlab.github.io/
Hifadhi ya GitHub: https://github.com/IQuestLab/IQuest-Q1
Hifadhi ya modeli ya HuggingFace: https://huggingface.co/IQuestLab/IQuest-Q1

Uundaji mahiri wa programu: Kwa sentensi moja inaweza kutoa mradi kamili wa faili nyingi unaoweza kuendeshwa, na inaweza kusoma msimbo, kurekebisha hitilafu na kuendesha majaribio kwa uhuru katika Claude Code / Codex, huku ikitoa matokeo ya uhandisi yanayoweza kuthibitishwa.
Uundaji wa wavuti na michezo inayoingiliana: Kulingana na maelezo ya maandishi, inaweza kutoa kwa mara moja programu za frontend kama michezo ya 3D, zana za taswira na kurasa za muundo, zikiwemo ujenzi wa mandhari, mantiki ya mwingiliano na uwasilishaji wa kuona.
Uwekaji otomatiki wa mchakato wa ofisini: Kupitia lark-cli ya Feishu, inaunganisha mazungumzo, nyaraka, lahajedwali na mikutano ili kukamilisha mchakato mzima wa kuhakiki taarifa kwa kulinganisha, kuweka viwango vya matukio, kuandika ripoti, kugawa kazi na kufuatilia maendeleo.
Utafiti na maendeleo ya AI pamoja na uendeshaji wa mafunzo: Hutambua kiotomatiki hitilafu za mafunzo ya modeli, hubaini chanzo na kurekebisha msimbo, na kusaidia timu za AI kudumisha na kuboresha mabomba yao ya utafiti na maendeleo.