IQuest-Q1 Đang hoạt động

IQuest-Q1 là mô hình nền tảng Agent mã nguồn mở do Viện Nghiên cứu Đổi mới Zhizhi phát triển, tập trung vào các tác vụ lập trình và tác vụ tác tử. IQuest-Q1 sử dụng kiến trúc MoE thưa, có tổng cộng 320B tham số nhưng chỉ kích hoạt 15B tham số cho mỗi token, giúp giảm chi phí suy luận. IQuest-Q1 được huấn luyện trong môi trường tổng hợp thông qua nhiều vòng học tăng cường harness và chưng cất trực tuyến đa giáo viên (MOPD). Mô hình có thể tích hợp với Claude Code hoặc Codex, đạt thứ hạng cao trên các bảng xếp hạng như NL2Repo và CyberGym, có hiệu năng cân bằng tổng thể, đặc biệt mạnh về tạo giao diện frontend, tự động hóa văn phòng và chẩn đoán nghiên cứu & phát triển AI.

Tạo mã ở cấp độ kho lưu trữ: từ yêu cầu bằng một câu, mô hình có thể tạo dự án đa tệp hoàn chỉnh và có thể chạy, thuộc nhóm các mô hình mã nguồn mở hàng đầu trên bảng xếp hạng NL2Repo.
Thao tác tác tử CLI: có thể đọc và ghi kho mã, gọi công cụ dòng lệnh, kiểm tra kết quả và tự khôi phục sau lỗi, đồng thời tích hợp liền mạch với Claude Code và Codex.
Tạo ứng dụng frontend tương tác: tạo một lần các ứng dụng web có thể chạy, bao gồm cảnh 3D, logic tương tác và phần trình bày trực quan, chẳng hạn như game FPS, game đua xe và thành phố dưới biển voxel.
Tự động hóa toàn bộ quy trình văn phòng: sử dụng lark-cli của Feishu để đối chiếu chéo tin nhắn và tài liệu, hoàn tất quy trình khép kín từ phân loại sự kiện, viết báo cáo, phân công nhiệm vụ đến theo dõi tiến độ.
Tự chẩn đoán trong nghiên cứu và phát triển AI: có thể truy tìm bất thường trong quá trình huấn luyện học tăng cường, xác định nguyên nhân gốc, sửa mã và xác minh kết quả bằng các đường cong chỉ số mới.
Thực thi tác vụ phức tạp nhiều bước: hướng đến các tác vụ trung và dài hạn, có thể tự chủ tiến hành liên tục trong nhiều giờ, bao phủ các lĩnh vực như an ninh mạng và thao tác trên thiết bị đầu cuối.

关注微信并回复“开源”即可加入交流群项目AI开源
Kiến trúc MoE thưa: mô hình sử dụng thân Transformer decoder-only kết hợp với cấu trúc hỗn hợp chuyên gia thưa, có tổng cộng khoảng 320B tham số nhưng mỗi token chỉ kích hoạt khoảng 15B tham số.
Quy trình huấn luyện theo giai đoạn: quá trình huấn luyện gồm ba giai đoạn: tiền huấn luyện, huấn luyện giữa kỳ và hậu huấn luyện. Tiền huấn luyện xây dựng năng lực tổng quát và kiến thức thế giới; huấn luyện giữa kỳ chuyển phân phối dữ liệu sang mã và STEM, đồng thời bổ sung các quỹ đạo tác tử có ngữ cảnh dài; hậu huấn luyện tập trung vào kỹ nghệ phần mềm, tác vụ dài hạn và suy luận tổng quát thông qua SFT cùng học tăng cường chuyên biệt để hội tụ.
Môi trường tổng hợp và học tăng cường đa Harness: nhóm phát triển tổng hợp các tác vụ trong những môi trường có thể thực thi, được xây dựng từ API thực, máy chủ MCP và kho lưu trữ. Một chính sách duy nhất được huấn luyện trên nhiều harness nhưng vẫn giữ cách quản lý công cụ và ngữ cảnh riêng của từng harness, để mô hình học được không chỉ cách giải quyết vấn đề mà còn cả các mô thức hành vi khi làm việc trong hệ thống tác tử thực tế; trước khi tối ưu, nhóm thực hiện quy trách nhiệm cho thất bại và chỉ những lỗi do bản thân mô hình gây ra mới trở thành tín hiệu học tập.
Chưng cất trực tuyến đa giáo viên MOPD: học tăng cường tạo ra các mô hình chuyên gia theo bốn hướng: trải nghiệm tác tử, phối hợp đa harness, tác vụ dài hạn và công việc tác tử tổng quát. MOPD khởi tạo mô hình học sinh từ điểm kiểm tra SFT, cho mô hình học trên các quỹ đạo của chính mình, được chuyên gia tương ứng chấm điểm theo từng token, sau đó ổn định theo từng giai đoạn và hợp nhất mô hình, cô đọng nhiều chuyên gia thành một IQuest-Q1 duy nhất.
Quy trình nghiên cứu và phát triển tự tiến hóa có sự phối hợp giữa người và máy: trong quá trình nghiên cứu, mô hình tham gia chẩn đoán năng lực của chính mình, thiết kế phương án huấn luyện và thực hiện một phần thí nghiệm; các nhà nghiên cứu chịu trách nhiệm về những quyết định then chốt như điều chỉnh hướng đi, tiến hành thí nghiệm tốn kém và lựa chọn phiên bản. Sau mỗi vòng xác minh, bản cập nhật mô hình, tài sản huấn luyện và quy trình được lưu lại để tái sử dụng trực tiếp ở vòng tiếp theo, hình thành một vòng lặp cải tiến liên tục.

Lấy trọng số mô hình: tải trọng số mô hình và mã suy luận từ kho Hugging Face hoặc GitHub; kênh ModelScope sẽ sớm được cung cấp.
Triển khai dịch vụ suy luận: sử dụng SGLang hoặc vLLM để khởi chạy dịch vụ suy luận tương thích với OpenAI. Yêu cầu song song tensor 8 GPU (TP=8), độ chính xác bfloat16 và nạp trình phân tích tool-call cùng reasoning chuyên dụng của IQuest.
Tăng tốc và tinh chỉnh tham số (tùy chọn): nếu cần thông lượng cao hơn, có thể bật giải mã suy đoán MTP đệ quy; để tái hiện đánh giá chính thức, nên sử dụng temperature=1.0, top-p=0.95, top-k=20.
Gọi trực tiếp mô hình: gửi yêu cầu trực tiếp qua Python API hoặc giao diện tương thích với OpenAI, sử dụng chat template theo định dạng IQuest cho việc gọi công cụ và suy luận.
Tích hợp công cụ Agent: kết nối Claude Code hoặc Codex CLI thông qua gateway hỗ trợ gọi công cụ. Sau khi thiết lập địa chỉ gateway và API Token, có thể để IQuest-Q1 điều khiển tác tử hoàn thành nhiệm vụ.

Hiệu suất suy luận vượt trội: tổng cộng 320B tham số nhưng mỗi token chỉ kích hoạt 15B, mang lại năng lực tác vụ cấp flagship với chi phí suy luận gần bằng mô hình nhỏ.
Thành tích toàn diện và cân bằng: luôn nằm trong nhóm đầu trên cả tám bảng xếp hạng gồm DeepSWE, NL2Repo, CyberGym, Terminal-Bench và JobBench, không có điểm yếu rõ rệt về năng lực.
Năng lực lập trình nổi bật: đạt 63.0 điểm trong bài kiểm tra tạo mã cấp kho lưu trữ NL2Repo, vượt DeepSeek-V4-Pro và Hunyuan Hy4, thuộc nhóm các mô hình mã nguồn mở hàng đầu.
Vòng lặp tác tử thực tế khép kín: không chỉ tạo mã mà còn có thể đọc nhật ký, gọi công cụ, khôi phục sau lỗi và bàn giao kết quả cuối cùng có thể xác minh.
Tích hợp nhanh với các Agent phổ biến: cung cấp giao diện tương thích với OpenAI và image Docker chính thức, có thể thay thế trực tiếp để sử dụng trong Claude Code và Codex.

Trang web dự án: https://iquestlab.github.io/
Kho GitHub: https://github.com/IQuestLab/IQuest-Q1
Kho mô hình HuggingFace: https://huggingface.co/IQuestLab/IQuest-Q1

Phát triển lập trình thông minh: từ một câu có thể tạo dự án đa tệp hoàn chỉnh và có thể chạy, tự chủ đọc mã, sửa lỗi và chạy kiểm thử trong Claude Code / Codex, bàn giao sản phẩm kỹ thuật có thể xác minh.
Tạo trang web và game tương tác: dựa trên mô tả bằng văn bản, tạo một lần các ứng dụng frontend như game 3D, công cụ trực quan hóa và trang thiết kế, bao phủ việc dựng cảnh, logic tương tác và phần trình bày trực quan.
Tự động hóa quy trình văn phòng: thông qua lark-cli của Feishu, kết nối tin nhắn, tài liệu, bảng tính và cuộc họp, hoàn tất toàn bộ quy trình từ đối chiếu thông tin, phân loại sự kiện, viết báo cáo, phân công nhiệm vụ đến theo dõi tiến độ.
Nghiên cứu, phát triển và vận hành huấn luyện AI: tự động chẩn đoán bất thường trong quá trình huấn luyện mô hình, xác định nguyên nhân gốc và sửa mã, hỗ trợ các nhóm AI duy trì và tối ưu hóa quy trình nghiên cứu và phát triển của mình.