IQuest-Q1 آپریشن میں

IQuest-Q1 ژیژی نِووَیشن ریسرچ انسٹی ٹیوٹ کا اوپن سورس Agent بنیادی ماڈل ہے، جو کوڈنگ اور ایجنٹ ٹاسکس پر مرکوز ہے۔ IQuest-Q1 اسپارس MoE آرکیٹیکچر استعمال کرتا ہے، جس کے کل پیرامیٹرز 320B ہیں اور فی ٹوکن صرف 15B پیرامیٹرز فعال ہوتے ہیں، اس لیے inference کی لاگت کم ہے۔ IQuest-Q1 نے مصنوعی ماحول میں متعدد harness پر reinforcement learning اور متعدد اساتذہ کی آن لائن distillation (MOPD) کے ذریعے تربیت حاصل کی ہے۔ اسے Claude Code یا Codex سے منسلک کیا جا سکتا ہے۔ یہ NL2Repo اور CyberGym جیسے لیڈر بورڈز میں نمایاں مقام رکھتا ہے، مجموعی کارکردگی متوازن ہے، اور فرنٹ اینڈ جنریشن، دفتری خودکاری اور AI تحقیق و ترقی کی تشخیص میں خاص مہارت رکھتا ہے۔

ریپوزٹری سطح کی کوڈ جنریشن: ایک جملے کی ضرورت سے مکمل، قابلِ اجرا کثیر فائل پروجیکٹ تیار کر سکتا ہے، اور NL2Repo لیڈر بورڈ پر اوپن سورس ماڈلز کی صفِ اول میں شامل ہے۔
CLI ایجنٹ آپریشنز: کوڈ ریپوزٹری پڑھ اور لکھ سکتا ہے، کمانڈ لائن ٹولز چلا سکتا ہے، نتائج جانچ سکتا ہے اور غلطیوں سے بحال ہو سکتا ہے۔ اسے Claude Code اور Codex کے ساتھ باآسانی استعمال کیا جا سکتا ہے۔
فرنٹ اینڈ انٹرایکٹو ایپلی کیشن جنریشن: ایک ہی بار میں 3D مناظر، انٹرایکشن لاجک اور بصری پیشکش پر مشتمل قابلِ اجرا ویب ایپلی کیشنز تیار کرتا ہے، جیسے FPS گیمز، ریسنگ گیمز اور ووکسل زیرِ سمندر شہر۔
دفتری کام کے مکمل عمل کی خودکاری: Feishu lark-cli کے ذریعے چیٹ ریکارڈز اور دستاویزات کا باہمی موازنہ کرتا ہے، پھر واقعات کی درجہ بندی، رپورٹ نویسی، کاموں کی تقسیم اور پیش رفت کی نگرانی کا مکمل عمل انجام دیتا ہے۔
AI تحقیق و ترقی کی خود تشخیص: reinforcement learning کی تربیت میں آنے والی خرابیوں کا سراغ لگا سکتا ہے، بنیادی وجہ تلاش کر سکتا ہے، کوڈ درست کر سکتا ہے اور نئے میٹرک گراف کے ذریعے نتائج کی تصدیق کر سکتا ہے۔
کثیر مرحلہ پیچیدہ ٹاسک کی انجام دہی: درمیانی اور طویل مدتی ٹاسکس کے لیے کئی گھنٹوں تک خودمختاری سے کام جاری رکھ سکتا ہے، جن میں سائبر سکیورٹی اور ٹرمینل آپریشنز جیسے شعبے شامل ہیں۔

WeChat پر فالو کریں اور “开源” کا جواب بھیج کر AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
اسپارس MoE آرکیٹیکچر: ماڈل decoder-only Transformer بیک بون اور اسپارس mixture-of-experts ساخت استعمال کرتا ہے۔ کل پیرامیٹرز تقریباً 320B ہیں، لیکن ہر ٹوکن کے لیے صرف تقریباً 15B پیرامیٹرز فعال ہوتے ہیں۔
مرحلہ وار تربیتی عمل: تربیت تین مراحل، یعنی pre-training، mid-training اور post-training، میں تقسیم ہے۔ Pre-training عمومی صلاحیتیں اور دنیا کا علم پیدا کرتی ہے؛ mid-training میں ڈیٹا کی تقسیم کو کوڈ اور STEM کی طرف منتقل کیا جاتا ہے اور طویل context والے ایجنٹ ٹریجز شامل کیے جاتے ہیں؛ post-training میں سافٹ ویئر انجینئرنگ، طویل مدتی ٹاسکس اور عمومی reasoning کے لیے خصوصی SFT اور reinforcement learning کے ذریعے convergence کی جاتی ہے۔
مصنوعی ماحول اور متعدد Harness پر reinforcement learning: ٹیم حقیقی API، MCP سرورز اور ریپوزٹریز سے بنائے گئے قابلِ اجرا ماحول میں ٹاسکس تیار کرتی ہے، تاکہ ایک ہی پالیسی کو متعدد harness پر تربیت دی جا سکے۔ ہر harness کے اپنے ٹولز اور context management طریقے برقرار رہتے ہیں، جس سے ماڈل صرف مسئلہ حل کرنا ہی نہیں بلکہ حقیقی ایجنٹ سسٹمز میں کام کرنے کے رویے بھی سیکھتا ہے۔ optimization سے پہلے ناکامی کی وجہ معلوم کی جاتی ہے، اور صرف ماڈل کی اپنی غلطیاں learning signal بنتی ہیں۔
MOPD متعدد اساتذہ کی آن لائن distillation: reinforcement learning سے چار شعبوں کے ماہر ماڈلز تیار کیے جاتے ہیں: ایجنٹ تجربہ، متعدد harness کا تعاون، طویل مدتی ٹاسکس اور عمومی ایجنٹ ورک۔ MOPD میں SFT checkpoint سے initialize کیا گیا student model اپنے ٹریجز پر سیکھتا ہے، متعلقہ expert ہر ٹوکن کو اسکور کرتا ہے، پھر مرحلہ وار مستحکم model merging کے ذریعے متعدد experts کو ایک واحد IQuest-Q1 میں سمیٹ کر convergence کی جاتی ہے۔
انسانی مشین تعاون پر مبنی خود ارتقائی تحقیق و ترقی کا عمل: تحقیق و ترقی کے دوران ماڈل اپنی صلاحیتوں کی تشخیص، تربیتی منصوبے کے ڈیزائن اور بعض تجربات کے نفاذ میں حصہ لیتا ہے، جبکہ انسانی محققین سمت کی تبدیلی، مہنگے تجربات اور ورژن اپنانے جیسے اہم فیصلوں کے ذمہ دار رہتے ہیں۔ ہر دور کی تصدیق کے بعد ماڈل کی تازہ کاری، تربیتی اثاثے اور طریقہ کار محفوظ کیے جاتے ہیں تاکہ اگلے دور میں براہِ راست دوبارہ استعمال ہو سکیں، اور مسلسل iteration کا closed loop تشکیل پاتا ہے۔

ماڈل کے weights حاصل کریں: Hugging Face یا GitHub ریپوزٹری سے ماڈل weights اور inference کوڈ ڈاؤن لوڈ کریں؛ ModelScope چینل جلد دستیاب ہوگا۔
Inference سروس deploy کریں: OpenAI-compatible inference سروس شروع کرنے کے لیے SGLang یا vLLM استعمال کریں۔ 8-card tensor parallelism (TP=8)، bfloat16 precision درکار ہے، اور IQuest کے مخصوص tool-call اور reasoning parsers لوڈ کرنا ہوں گے۔
رفتار اور tuning (اختیاری): زیادہ throughput درکار ہو تو recursive MTP speculative decoding فعال کریں۔ سرکاری evaluation کو دوبارہ پیش کرنے کے لیے temperature=1.0، top-p=0.95 اور top-k=20 تجویز کیے جاتے ہیں۔
ماڈل کو براہِ راست call کریں: Python API یا OpenAI-compatible interface کے ذریعے براہِ راست request بھیجیں، اور tool calling و reasoning کے لیے IQuest format کا chat template استعمال کریں۔
Agent tools سے رابطہ: tool calling کو سپورٹ کرنے والے gateway کے ذریعے Claude Code یا Codex CLI سے مربوط ہوں۔ gateway address اور API Token ترتیب دینے کے بعد IQuest-Q1 سے agent کو ٹاسکس مکمل کروائے جا سکتے ہیں۔

انتہائی اعلیٰ inference efficiency: کل 320B پیرامیٹرز کے باوجود فی ٹوکن صرف 15B فعال ہوتے ہیں، جس سے بڑے ماڈل جیسی task صلاحیت تقریباً چھوٹے ماڈل کی inference لاگت میں حاصل ہوتی ہے۔
متوازن اور جامع کارکردگی: DeepSWE، NL2Repo، CyberGym، Terminal-Bench اور JobBench سمیت آٹھوں لیڈر بورڈز میں مسلسل صفِ اول میں ہے، اور کسی نمایاں صلاحیت کی کمی نہیں۔
نمایاں کوڈنگ صلاحیت: ریپوزٹری سطح کی generation میں NL2Repo پر 63.0 اسکور حاصل کیا، DeepSeek-V4-Pro اور Hunyuan Hy4 کو پیچھے چھوڑتے ہوئے اوپن سورس ماڈلز کی صفِ اول میں شامل ہوا۔
حقیقی ایجنٹ کا مکمل closed loop: صرف کوڈ تیار نہیں کرتا بلکہ logs پڑھتا، tools چلاتا، غلطیوں سے بحال ہوتا اور قابلِ تصدیق حتمی نتیجہ فراہم کرتا ہے۔
اہم Agent پلیٹ فارمز سے ایک کلک میں رابطہ: OpenAI-compatible interface اور سرکاری Docker image فراہم کرتا ہے، جسے Claude Code اور Codex میں براہِ راست متبادل کے طور پر استعمال کیا جا سکتا ہے۔

پروجیکٹ کی سرکاری ویب سائٹ: https://iquestlab.github.io/
GitHub ریپوزٹری: https://github.com/IQuestLab/IQuest-Q1
HuggingFace ماڈل ریپوزٹری: https://huggingface.co/IQuestLab/IQuest-Q1

ذہین پروگرامنگ اور ترقی: ایک جملے سے مکمل، قابلِ اجرا کثیر فائل پروجیکٹ تیار کرتا ہے، اور Claude Code / Codex میں خودمختاری سے کوڈ پڑھ، bugs درست اور tests چلا سکتا ہے، جس سے قابلِ تصدیق انجینئرنگ نتائج فراہم ہوتے ہیں۔
انٹرایکٹو ویب اور گیم جنریشن: متنی وضاحت کے مطابق ایک ہی بار میں 3D گیمز، visualization tools اور design pages جیسی فرنٹ اینڈ ایپلی کیشنز تیار کرتا ہے، جن میں منظر کی تعمیر، interaction logic اور visual presentation شامل ہیں۔
دفتری عمل کی خودکاری: Feishu lark-cli کے ذریعے چیٹ، دستاویزات، spreadsheets اور meetings کو مربوط کرتا ہے، اور معلومات کی باہمی تصدیق، واقعات کی درجہ بندی، رپورٹ نویسی، کاموں کی تقسیم اور پیش رفت کی نگرانی کا مکمل عمل انجام دیتا ہے۔
AI تحقیق و ترقی اور training operations: ماڈل کی training میں آنے والی خرابیوں کی خودکار تشخیص کرتا، بنیادی وجہ تلاش کرکے کوڈ درست کرتا، اور AI ٹیموں کو اپنی تحقیق و ترقی کی pipeline برقرار رکھنے اور بہتر بنانے میں مدد دیتا ہے۔