IQuest-Q1 开源：「小激活」撬动「大任务」

真正的看点不是发布本身。

近日，至知创新研究院（IQuest Research）开源新一代大语言模型 IQuest-Q1。稀疏 MoE 架构，总参数约 320B、激活参数约 15B，主打代码、软件工程与复杂智能体任务。

在过去两年的开源节奏里，一款新模型的发布本身很难再构成新闻。真正决定这次开源分量的，是至知在尺寸这件事上做的选择——它把力气花在了把激活参数压下来，而不是把总参数堆上去。

GitHub:

https://github.com/IQuestLab/IQuest-Q1

Hugging Face:

https://huggingface.co/IQuestLab/IQuest-Q1

Blog:

https://iquestlab.github.io/

「小激活」也是一个思路

MoE 的参数账其实很清楚：总参数决定能力上限，激活参数决定单次推理成本。

至知这次的账算得很直白。320B 总参 / 15B 激活，稀疏比接近 20 : 1。放在同代开源 MoE 里，这不算最激进，但方向明确——把推理侧的门槛尽量拉低。

背后的逻辑并不新鲜，但正在变得越来越关键。

在过去半年，越来越多企业开始意识到：智能体不会因为回答一个问题而变贵，但当它反复查文件、调工具、修订输出直到任务完成，账单才会真正堆起来。一个 Agent 型工作流上线到生产，成本结构里被反复触发的那一层，往往才是决定这件事能不能成的关键。

15B 激活对应的推理开销，正好落在开发者本地、中小集群、企业内部部署都能承受的区间。

能力锚点放在「可交付」

官方公开的几组任务演示。

前端交互应用。用户输入一句自然语言指令，模型直接生成可运行的交互应用。以 FPS 游戏为例，IQuest-Q1 一次性完成三维场景、角色移动、射击换弹、生命值、计分、游戏模式切换和资源装备购买等多个子模块，代码生成、多文件组织、交互逻辑与视觉呈现同时展开。

赛车游戏的例子则更考验空间连续性——赛道延展、前景与背景切换，都对场景的连续生成能力有要求。

训练诊断与代码修复。这是最“工程师视角”的一段。一次强化学习训练异常后，模型顺着训练曲线一路查下去——读日志、分析执行轨迹、定位问题代码、动手修复，再用新的指标曲线验证结果。演示里最终定位到的根因是“训练轨迹中被插入了一个空格”，修复后指标重新爬升。

复杂工作环境任务执行。在办公场景里，模型接入了聊天、共享文档、表格与评论等多类信息与工具，综合上下文完成分析、生成文档、修订结果，最后给出一份可以直接交付的方案。

这些演示串起来的信号很清楚：模型的角色正转变为“执行者”。这也是当前主流开源模型都在追的方向。

多项 SOTA，整体均衡

在多项标准评测中，IQuest-Q1 在仓库级代码生成基准 NL2Repo 和网络安全基准 CyberGym 上展现出一定能力；同时，在 Terminal-Bench 2.1、代码长程任务基准 DeepSWE v1.1，以及面向专业办公场景的 JobBench 等复杂任务评测中，也表现出较好的任务执行能力。

需要注意的一点是——这份成绩单是在 15B 激活的规模下取得的。“能力对齐大模型”和“推理成本对齐小模型”，两条线拉在一起，才是这次发布真正被讨论的地方。

技术路径不靠单一手段

支撑上述表现的技术组合并不神秘，但每一步都不轻。

• 架构层：decoder-only Transformer + 稀疏 MoE；

• 训练路径：预训练 → 中期训练 → 后训练三段式，其中中期训练承担了向复杂任务过渡的能力过渡角色；

• 蒸馏方法：Multi-Teacher On-Policy Distillation（MOPD），多个教师模型的强项统一压进一个小激活模型；

• 后训练：围绕软件工程、长时程任务和通用推理开展专项训练，配合 SFT 与 RL。

从模型到研发流水线

除了模型本身，团队这次公开的另一件事，可能更值得关注：它把自己这一版的研发流程也一并放了出来。

在研发过程中，模型参与能力诊断、训练方案设计和部分实验执行；人类研究员保留研究方向调整、高成本实验和版本采用等关键节点的审查与决策。经过验证的模型更新、训练资产和研究流程会进入下一轮迭代直接复用。

他们把这套机制标注为早期阶段。但一个更深层的信号是：大模型的竞争，正在从“单点模型能力”扩展到“研发流水线的效率”。当整个行业都在朝生产化和常态化演进，后者会越来越重要。

结语：一个有效的“操作层”，也是一次能力边界的拓展

它的价值不在于把某一项跑分推到全网最高，而在于用一个中等偏小的激活规模，把代码与智能体任务的门槛拉低了一层。对开发者，这意味着更低的部署成本；对企业，这意味着更大的落地可能；对整个开源生态，这意味着一个新的锚点位置已经被填上。