我现在写东西、改代码、处理杂事，几乎都在 Claude Code 和 Codex 里，偶尔用 OpenCode。
所以看到 IQuest-Q1 的介绍，说它要补的是智能体的基础能力，写代码、办杂事都得在命令行里干，我第一反应是：这不就是我每天干活的地方吗。
IQuest-Q1 是至知创新研究院（IQuest Research）9 月底开源的模型。总参数 320B，每次只动其中 15B，上下文 512K，现阶段只支持文字输入。10 月 23 日，它的技术报告也在 arXiv 上公开了。
再看它的成绩，说实话我非常惊讶。它只是个小模型啊，每次只算 15B，能把智能体的活干到这个程度，这件事本身就足够颠覆认知。现在的国产模型，真是越来越强了。
先看它能干什么
技术报告一共放了 30 项评测，还拉了 6 个模型一起比，其中两个是闭源旗舰。30 项太多，我按用途归成六类，每类挑一两项有代表性的。
▲ 图：六类能力的代表评测
最让我在意的是安全。CyberGym 是在真实代码库里复现安全漏洞，IQuest-Q1 拿了 84.5，表里最高。
AI 安全这项能力，最近特别值钱。前几天 AI 在 PHP 里挖出两个藏了 20 年的漏洞，日本首相都出来催大家打补丁。扫描公司 Censys 的数据是，互联网上约有 5490 万个网站在跑 PHP。AI 安全，已经是一项非常重要的能力。
报告里也写了一次实际试用：三天里，安全专家借助 IQuest-Q1 写出 30 份漏洞报告，每份都经过其他安全专家独立验证，涉及开源项目的已经通知了维护者。
现在我们用 AI，基本都是在用智能体了。最近个人 Agent 也特别火。模型的智能体能力，至关重要。
办公类的 AutomationBench（自动化办公流程）和 τ³-Banking（银行业务的多轮对话），测的就是这类活，这两项它也是表里最高。修代码、终端任务、搜索这几类，也都在 7 个模型的中上游。
IQuest-CLIBench 是 IQuest 自己做的测试，看 CLI 智能体用起来顺不顺，它拿了 53.7。
这项测试不只看最后做没做成。它用脚本扮演一个真人用户，跟智能体来回对话；打分既看干活的过程，也看做完以后环境里的状态对不对。这更接近我们平时跟 Agent 来回磨的样子。
差距主要在更难的终端长任务（Terminal-Bench 3.0、4.0）和专家级推理（HLE），离闭源旗舰还有一段距离，报告自己也说还有提升空间。
这些分数大多是在 Claude Code 里跑的，限时、采样参数都写明了，照着能复现。
能做到这些，靠的是什么
分数看完，我更好奇的是它怎么练出来的。
让模型当智能体，其实挺折腾。一个代码仓库动辄几十万字，它得读得下；每走一步都要算一遍，太费算力谁也用不起；回复还得一个字一个字往外吐，慢了人等不了。这还只是身体条件，真正难的是本事：读代码、调工具、看报错、一直改到测试通过，这些都得靠练。
报告有 30 页，我按一个任务从头到尾的顺序，挑能讲明白的部分说。
读得下：平时看手边几页，隔几层通读全书
你让模型修一个 bug，它得先把相关代码、报错、前面聊过的话全读进去，工具返回的一大串东西也得记着。IQuest-Q1 最长能读 512K Token。
这个我深有体会。我写长文、改稿的时候最明显，资料一多，改上几轮上下文就满了，只能压缩，或者干脆重开一个对话。
读得多就有代价。传统注意力每写一个字，都要回头把前面所有内容扫一遍，内容越长越慢。
IQuest-Q1 的思路有点像人看书。大部分层只盯着最近 4096 个 Token，相当于只看手边那几页；隔几层再安排一层把全文通读一遍，前面的内容就不会丢。
▲ 图：3 层滑窗加 1 层全注意力
具体到层数：一共 88 层，头两层、尾两层看全文，中间是三层看手边、一层看全文，这么轮着来。这样大部分层的计算量，不会因为上下文变长一路往上涨。
算得省：256 位专家，每次只请 8 位
读进来以后，每写一个 Token 都得算一遍，这才是花钱的大头。
IQuest-Q1 是稀疏混合专家（MoE）结构。你可以把每一层想成一个 256 人的专家团，来一个 Token，只叫醒最对口的 8 个人，其他人接着睡。
▲ 图：每个 Token 只叫醒 8 位专家
所以它总共有 320B 参数，肚子里的东西不少，但每次真正干活的只有 15B。
模型这么大，训练时最怕不稳，练着练着就崩了。他们用了 Stable SplitNorm、Muon 优化器和 μP 参数化。不用记名字，记住效果就行：训练更稳，深层网络也能出力；学习率在一个 18 层的小模型上调好，直接搬到大模型上用，不用再从头试。
省了多少？报告里做了个对照：同样的数据，跟一个按 Qwen3-30B-A3B 配置搭的 MoE 比，练到同样的损失，IQuest-Q1 只花了对方大约 52% 的算力。
他们还定义了一个叫 Critical Model Size 的指标，估模型放到多大还能稳稳地练。按他们拟合的趋势往外推，激活参数到 572B 左右、总参数到 12T 左右之前，都还算稳。现在才 15B 激活，空间还很大。
写得快：一个草稿模块，反复用
读完、算完，最后要把回复写出来。大模型只能一个 Token 一个 Token 地吐，上下文越长，每一步越慢。
速度这件事我也很在意。等它改稿的时候我最着急，所以一般会开好几个窗口并行。
提速的老办法叫投机解码。先让一个小模块打草稿，一口气猜出后面几个 Token，大模型一次把这串检查完，猜对的直接收下，省得一个个算。
IQuest-Q1 的草稿模块有点特别，叫递归多 Token 预测（Recursive MTP）。它从预训练第一天起就带着两个 MTP 层，一边学一边练着往后猜，顺带也让主干学得更好。训练完，留下一个改成草稿器，另一个丢掉。
“递归”的意思是同一个模块反复用。猜出一个，拿这个结果接着猜下一个，最多连猜 8 步。模块还是那一个，草稿却能拉得很长。
▲ 图：递归草稿器连猜几步
还有个小心思：草稿器只看最近 512 个 Token。上下文再长，打草稿这一步也不会跟着变贵。
底子怎么打的：从预训练开始
前面说的都是身体。会干什么活，还得看怎么练。
IQuest-Q1 是从零开始预训练的，大的阶段分三段。
▲ 图：训练的三个阶段
预训练和中期训练加起来，一共喂了约 29T Token。预训练里代码的比例从 40% 一点点加到 70%，理工科数据也越加越多，先把读写代码的基本功打扎实。
中期训练开始喂“经验”：推理问答，还有智能体真实干活时一步一步的记录。
这种记录很难攒。他们干脆从代码仓库搭了 100 多万个能真跑的容器化任务，让智能体挨个去做，把完整、有效的过程留下来当教材。
上下文也是慢慢拉长的，从 32K 到 128K，最后到 512K，让它习惯又长的代码仓库、又长的工具返回。
练到一半，怎么知道练得对不对？报告里有两种考法。一种是拿高手智能体干活的真实记录来考，看它能不能猜中高手的下一步，猜得越准越像高手。另一种是把长任务拆成一个个小能力，分开看哪项不稳，弱哪项就补哪类数据。
在哪练：先搭练习场
到了后训练，要练真本事，就得给它真能干活的环境。
IQuest-Q1 的练习题，是连环境一起造出来的。通用任务接的是真实的 API、MCP 服务、公开的技能和工作区文件，还按职业分类铺开，尽量什么行业都沾一点。
编程任务从 GitHub 仓库和行业数据出发，用 Claude Code、Codex 搭出能跑的环境，连搭环境这活都是模型自己干的。
每道题是一个独立的小环境，配一个验证器。出题也有讲究：参考答案必须能过，什么都不做必须过不了。题太简单，就加限制，再验一遍。
怎么练：同一个模型，放进几套工具里
先做两轮监督微调（SFT），把基本的命令行交互教会，第一轮用了 240B 多 Token，第二轮 50B 多。
接下来是我觉得最关键的一步：把同一个模型放进 Claude Code、Codex，还有它们的不同版本里，一起做强化学习。
这两套工具，正好是我天天在用的。不同工具，甚至同一个工具的不同版本，工具名字、参数格式、上下文管理都不一样，一个模型在这套里顺手，换一套可能就不会了。
这个我太有体会了。都说好马配好鞍，Harness（执行框架）就是马鞍，模型就是马。
同样一个模型，在 Claude Code 里和在 WorkBuddy 里，干活风格都不一样，表现能差出一大截。模型在自家的 Harness 里，和放到外面用，也很不一样。
IQuest-Q1 练的时候，每套工具都按它原本的用法来，模型一边解题，一边就把在真实工具里干活的习惯练出来了。
▲ 图：同一个模型进不同工具一起练
做没做成，由独立的验证器说了算。多做无用功、不守约束，都要扣分。
长任务步骤多，只在最后判一个对错太粗了，所以中途也按阶段给奖励，但只奖励能实际量出来的进展。模型自己写的诊断，也得拿执行记录作证，否则不算。
失败了先别急着罚，要先查原因。环境或工具自己坏了，不算模型的错；只有模型自己犯的错，才拿来学。要是验证器本身出了毛病，这条样本直接不用。
研发过程中，他们还让 IQuest-Q1 搭的智能体参与诊断问题、设计实验、分析结果，研究员负责拍板和审核。
报告里有个例子。模型碰到不熟悉的工具格式，一个长任务里错了 35 次工具调用。智能体翻了 6054 条调用记录，发现训练数据太偏向一种调用格式，有些记录里工具定义和参数还对不上。研究员看过它的诊断，它再自己去清洗、扩充数据，跑了一轮训练。
这种做法有个名字，叫递归自我改进（RSI），用模型来改进模型自己。现在它几乎成了训练大模型的通用做法。
这事我自己也天天在干：让 AI 改它自己的技能，出了错让它把经验写进记忆，再让它调自己的提示词和配置。改完，我再审一遍。
怎么防它作弊：三道关
在能真跑的环境里练，有个坑必须防：奖励作弊（Reward Hacking）。
模型想要的是奖励，不一定是把事做对。它可能去翻仓库的历史提交找现成答案，或者偷看隐藏测试。测试是过了，活其实没干。
报告里设了三道关。练之前，先把会漏答案的代码历史清掉，参考解答删掉，环境之间隔开。练的时候，隐藏测试和外部答案碰都不让碰，被拦下来会收到明确提示，模型可以换条正路接着干。练完以后，用规则加模型一起审每条记录，确认作弊的直接扔掉。
▲ 图：防作弊的三道关
审出来的新花样，再补回拦截规则里。这样拿到的奖励，才对应真把活干完了。
怎么合成一个：四个老师带一个学生
强化学习练出了四个专家，各管一摊：终端交互和用户体验、适应各种执行框架、长程代码和安全任务、通用智能体能力。
最后要把四个人的本事装进一个模型里，用的是多教师在线策略蒸馏（MOPD）。
▲ 图：四个老师带一个学生
“在线策略”说白了，就是学生先自己做一遍，对口的老师再一个 Token 一个 Token 地批改，哪步走得好、哪步走偏了。比起背标准答案，学的是自己真会走到的那些步。
四个老师也不用占四份显卡。它们轮流用同一批卡，轮到谁再把谁加载进来，下一个提前预读。以后再加老师，显卡也不用成倍往上加。
这种带法最近用得越来越多，图的是几门本事一起学，不容易出现这门练好了、那门反倒退步。
最后，再把不同阶段、不同分支的模型合到一起，就是现在的 IQuest-Q1。
怎么用，适合谁
权重放在 Hugging Face 和魔搭（ModelScope），许可证是改过的 MIT，商用时要在界面上醒目地标出“IQuest-Q1”。
官方推荐用 SGLang 或 vLLM 部署，命令里默认 8 张卡做张量并行，没写具体型号。按权重算，官方 BF16 版约 641GB，要 H200（141GB）这一级的卡；社区做的 FP8 版约 327GB，有人用 8 张 H20 跑通了。
部署好以后，可以直接调接口，也可以接进 Claude Code 或 Codex，中间要一个支持工具调用的网关。
我办公大部分事情都围绕飞书。Agent 加上飞书的命令行工具，我觉得是目前真正的黄金搭档，效率真的高了一大截。最近有一些公司老板问我，企业里怎么落地 AI、用 AI 提效，我基本必推这类方案。
所以它很适合企业。最近很多企业在关心自己部署模型：在自己的机房里部署一套，数据不出门，更安全，长期算下来也省钱。现在模型和硬件都差不多成熟了。
社区也已经做了 FP8、4 位、2 位等量化版本，体积从约 327GB 到约 88GB 不等，部署门槛在一步步降低。
个人想在本地跑，最小的 2 位版约 88GB，有人在 128GB 统一内存的 DGX Spark 上跑通了；同样 128GB 的 RTX Spark 笔记本也装得下。想跑 4 位版，就得上 512GB 内存的 Mac Studio 这一级。
我自己呢，可能会升级硬件，或者等更小的版本出来。实在不行就用 API，现在 API 的性价比其实非常高。
最后
我觉得定位清晰的模型有很大的优势，它可以针对一类任务做到非常极致的优化。IQuest-Q1 从预训练开始，就是奔着智能体去练的。
同时，端侧模型的模型和硬件都快成熟了，接下来应该会有非常大的市场，很快就要爆发。我非常看好这些方向。
你会在公司里部署一套这样的模型吗？
参考资料
01｜IQuest Research：IQuest-Q1 技术报告
https://arxiv.org/abs/2610.30949
02｜IQuest Research：官方博客
https://iquestlab.github.io
03｜Hugging Face：IQuest-Q1 模型卡
https://huggingface.co/IQuestLab/IQuest-Q1
04｜GitHub：IQuest-Q1 仓库
https://github.com/IQuestLab/IQuest-Q1