IQuest-Q1 Faoliyat yuritmoqda

IQuest-Q1 — Zhizhi innovatsion tadqiqot instituti tomonidan ochiq manbada taqdim etilgan, kod yozish va agent vazifalariga yo‘naltirilgan Agent bazaviy modeli. IQuest-Q1 siyrak MoE arxitekturasidan foydalanadi: jami 320B parametrga ega, har bir token uchun esa atigi 15B parametr faollashadi, shu sababli inferensiya xarajati past. IQuest-Q1 sintetik muhitlarda ko‘plab harnesslar yordamidagi mustahkamlovchi o‘qitish va ko‘p o‘qituvchili onlayn distillatsiya (MOPD) orqali o‘qitilgan. U Claude Code yoki Codex’ga ulanadi, NL2Repo va CyberGym kabi reytinglarda yuqori o‘rinlarni egallaydi, umumiy natijalari muvozanatli bo‘lib, frontend yaratish, ofis avtomatlashtirish va AI tadqiqot-diagnostikasida kuchli.

Repo darajasida kod yaratish: bir jumladagi talab asosida to‘liq ishlaydigan, ko‘p faylli loyihani yaratadi va NL2Repo reytingida ochiq manbali modellar orasida yetakchi guruhdan joy oladi.
CLI agent operatsiyalari: kod bazasini o‘qiydi va yozadi, buyruq satri vositalarini chaqiradi, natijalarni tekshiradi hamda xatolardan tiklanadi; Claude Code va Codex bilan muammosiz ishlaydi.
Frontend interaktiv ilovalarini yaratish: 3D sahna, interaktiv mantiq va vizual ko‘rinishni o‘z ichiga olgan ishlaydigan veb-ilovalarni, masalan, FPS o‘yinlari, poyga o‘yinlari va voxel suvosti shaharlarini bir urinishda yaratadi.
Ofis jarayonlarini to‘liq avtomatlashtirish: Feishu lark-cli orqali chat yozishmalari va hujjatlarni o‘zaro tekshiradi, hodisalarni tasniflash, hisobot yozish, vazifalarni taqsimlash va jarayonni kuzatishni yagona yopiq siklda bajaradi.
AI tadqiqot va ishlanmalarini o‘z-o‘zini diagnostika qilish: mustahkamlovchi o‘qitishdagi anomaliyalarni kuzatadi, asosiy sababni aniqlaydi, kodni tuzatadi va natijalarni yangi metrikalar egri chizig‘i orqali tasdiqlaydi.
Ko‘p bosqichli murakkab vazifalarni bajarish: o‘rta va uzoq muddatli vazifalarni bir necha soat davomida mustaqil ravishda bajarishi, kiberxavfsizlik va terminal operatsiyalari kabi sohalarni qamrab olishi mumkin.

WeChat’da kuzatib boring va “开源” deb javob yuborib, AI ochiq manbali loyihalar guruhiga qo‘shiling
Siyrak MoE arxitekturasi: model decoder-only Transformer asosiga va siyrak aralash ekspertlar tuzilmasiga ega. Jami parametrlar soni taxminan 320B bo‘lsa-da, har bir token uchun atigi 15B parametr faollashadi.
Bosqichma-bosqich o‘qitish jarayoni: o‘qitish oldindan o‘qitish, o‘rta bosqichdagi o‘qitish va keyingi o‘qitishdan iborat uch bosqichga bo‘linadi: oldindan o‘qitish umumiy qobiliyatlar va dunyo haqidagi bilimlarga asos yaratadi; o‘rta bosqichdagi o‘qitish ma’lumotlar taqsimotini kod va STEM tomon yo‘naltirib, uzun kontekstli agent trayektoriyalarini qo‘shadi; keyingi o‘qitish dasturiy ta’minot muhandisligi, uzoq davom etadigan vazifalar va umumiy xulosalash uchun maxsus SFT hamda mustahkamlovchi o‘qitish orqali konvergensiyaga erishadi.
Sintetik muhit va ko‘p Harness mustahkamlovchi o‘qitishi: jamoa haqiqiy API’lar, MCP serverlari va repozitoriylar asosida qurilgan bajariladigan muhitlarda vazifalarni sintez qiladi. Yagona siyosat bir nechta harness bo‘yicha o‘qitilib, har birining o‘z vositalari va kontekstni boshqarish usullarini saqlab qoladi. Shu tariqa model faqat masalani yechishni emas, balki haqiqiy agent tizimlarida ishlash xulq-atvorini ham o‘rganadi; optimallashtirishdan oldin muvaffaqiyatsizlik sababi aniqlanadi va faqat modelning o‘z xatolari o‘rganish signali sifatida qabul qilinadi.
MOPD ko‘p o‘qituvchili onlayn distillatsiyasi: mustahkamlovchi o‘qitish to‘rt yo‘nalishda ixtisoslashgan modellarni hosil qiladi: agent tajribasi, ko‘p harness hamkorligi, uzoq muddatli vazifalar va umumiy agent ishi. MOPD SFT nazorat nuqtasi asosida ishga tushirilgan talaba modelini o‘z trayektoriyalarida o‘qitadi; tegishli ekspert har bir tokenni baholaydi, so‘ngra bosqichma-bosqich barqaror model birlashtirish orqali bir nechta ekspert yagona IQuest-Q1 modeliga birlashtiriladi.
Inson va mashina hamkorligidagi o‘z-o‘zini rivojlantiruvchi tadqiqot jarayoni: tadqiqot va ishlanmalar davomida model o‘z qobiliyatlarini diagnostika qilish, o‘qitish rejasini ishlab chiqish va ayrim tajribalarni bajarishda ishtirok etadi; inson tadqiqotchilar yo‘nalishni o‘zgartirish, qimmat tajribalar va versiyani qabul qilish kabi muhim qarorlar uchun javob beradi. Har bir tasdiqlashdan keyingi model yangilanishlari, o‘qitish resurslari va jarayonlar keyingi bosqichda bevosita qayta foydalanish uchun saqlanadi va uzluksiz takomillashuvning yopiq siklini hosil qiladi.

Model og‘irliklarini olish: model og‘irliklari va inferensiya kodini Hugging Face yoki GitHub repozitoriylaridan yuklab oling; ModelScope kanali tez orada ishga tushadi.
Inferensiya xizmatini joylashtirish: OpenAI bilan mos inferensiya xizmatini ishga tushirish uchun SGLang yoki vLLM’dan foydalaning. Buning uchun 8 kartali tensor parallelizmi (TP=8), bfloat16 aniqligi hamda IQuest’ga xos tool-call va reasoning parserlarini yuklash talab etiladi.
Tezlashtirish va sozlash (ixtiyoriy): yuqoriroq o‘tkazuvchanlik kerak bo‘lsa, rekursiv MTP spekulyativ dekodlashni yoqish mumkin; rasmiy baholashni takrorlash uchun temperature=1.0, top-p=0.95, top-k=20 parametrlaridan foydalanish tavsiya etiladi.
Modelni bevosita chaqirish: Python API yoki OpenAI bilan mos interfeys orqali to‘g‘ridan-to‘g‘ri so‘rov yuboring; vositalarni chaqirish va xulosalash uchun IQuest formatidagi chat template’dan foydalaning.
Agent vositalaridan foydalanishni ulash: vositalarni chaqirishni qo‘llab-quvvatlaydigan gateway orqali Claude Code yoki Codex CLI’ga ulang. Gateway manzili va API Token sozlangach, IQuest-Q1 agentga vazifalarni bajarishni topshirishi mumkin.

Yuqori inferensiya samaradorligi: jami 320B parametr bo‘lsa-da, har bir token uchun atigi 15B parametr faollashadi; kichik modelga yaqin inferensiya xarajati evaziga flagman darajasidagi vazifa qobiliyatini beradi.
Muvozanatli va keng qamrovli natijalar: DeepSWE, NL2Repo, CyberGym, Terminal-Bench, JobBench va boshqa jami sakkiz reytingda yuqori o‘rinlarni barqaror egallaydi, sezilarli zaif tomoni yo‘q.
Kuchli kodlash qobiliyati: repo darajasida yaratish bo‘yicha NL2Repo’da 63.0 ball olib, DeepSeek-V4-Pro va Hunyuan Hy4’dan o‘zib ketadi hamda ochiq manbali modellar orasida yetakchi guruhdan joy oladi.
Haqiqiy agentning yopiq sikli: nafaqat kod yaratadi, balki loglarni o‘qiydi, vositalarni chaqiradi, xatolardan tiklanadi va tekshiriladigan yakuniy natijani taqdim etadi.
Yetakchi Agent platformalariga bir urinishda ulanish: OpenAI bilan mos interfeys va rasmiy Docker image’ini taqdim etadi, uni Claude Code va Codex’da bevosita o‘rnini bosuvchi sifatida ishlatish mumkin.

Loyiha rasmiy sayti: https://iquestlab.github.io/
GitHub repozitoriyasi: https://github.com/IQuestLab/IQuest-Q1
HuggingFace model repozitoriyasi: https://huggingface.co/IQuestLab/IQuest-Q1

Intellektual dasturlash va ishlab chiqish: bir jumla orqali to‘liq ishlaydigan, ko‘p faylli loyihani yaratadi; Claude Code / Codex ichida mustaqil ravishda kodni o‘qiydi, xatolarni tuzatadi, testlarni ishga tushiradi va tekshiriladigan muhandislik natijasini taqdim etadi.
Interaktiv veb-sayt va o‘yinlar yaratish: matnli tavsif asosida 3D o‘yinlar, vizualizatsiya vositalari, dizayn sahifalari va boshqa frontend ilovalarini bir urinishda yaratadi; sahna qurilishi, interaktiv mantiq va vizual ko‘rinishni qamrab oladi.
Ofis jarayonlarini avtomatlashtirish: Feishu lark-cli orqali chatlar, hujjatlar, jadvallar va uchrashuvlarni bog‘lab, ma’lumotlarni o‘zaro tekshirish, hodisalarni tasniflash, hisobot yozish, vazifalarni taqsimlash va jarayonni kuzatishning to‘liq siklini bajaradi.
AI tadqiqotlari va o‘qitish operatsiyalari: model o‘qitishidagi anomaliyalarni avtomatik diagnostika qiladi, asosiy sababni aniqlaydi va kodni tuzatadi; AI jamoalariga o‘z tadqiqot va ishlanmalar quvurini saqlash hamda optimallashtirishda yordam beradi.