文章摘要
至知创新研究院推出IQuest-Q1大模型，采用decoder-only Transformer主干搭配稀疏MoE架构，总参数量320B仅激活15B，支持自主闭环研发迭代。实测显示它可快速生成定制可运行游戏，能求解并可视化十万步三体运动方程，可精准排查RL训练隐藏bug，多项复杂任务测试中同参数量级表现亮眼。

别眨眼。 你眼前看到的不是好莱坞科幻大片的特效镜头，而是用IQuest-Q1模型生成的沉浸式反重力竞速游戏——星空赛道上，白橙色赛车顺滑切弯，拖曳冰蓝光带，溅起金黄摩擦星火，最终冲线的画面栩栩如生。

这款模型不仅能凭一句Prompt快速搭建炫酷游戏，还能将十万步三体运动方程的求解结果转化为如同克林姆特画作般流畅的金色丝线般的可视化效果，更能在RL训练数据中精准定位隐藏的空格bug，让异常的训练流程重回正轨。

△ 针对10万步以内的三体问题运动方程的数值求解实测

从多项公开基准测试的结果来看，IQuest-Q1的综合表现相当亮眼。它在仓库级代码生成NL2Repo、网络安全基准CyberGym、终端评测Terminal-Bench 2.1、长程代码任务DeepSWE v1.1以及办公场景JobBench等复杂任务中都交出了不俗的答卷，在同参数量级的模型中属于表现出色的选手。

那么这款IQuest-Q1究竟有着怎样的底层设计？它能为开发者和研究者带来哪些实际价值？背后的研发团队又有着怎样的技术积累？接下来我们就来一一拆解。

320B总参仅激活15B：自主闭环的研发路径

首先来看IQuest-Q1的底层框架设计。它采用了decoder-only Transformer作为主干架构，搭配稀疏MoE（混合专家）结构，总参数量约320B，而实际激活的参数仅约15B。这意味着这款模型虽然整体体量庞大，却像精准点穴的叶问，不会浪费算力在无关环节，仅在需要时激活关键计算单元，实现高效的性能输出。

更值得关注的是，从官方公开的信息来看，IQuest-Q1的研发迭代过程中，模型本身也深度参与其中。一旦模型提出的研发方案得到人类研究者的认可，经过验证的模型更新内容、训练资产、研究流程都会直接纳入下一轮迭代的资源库，被后续版本复用。每一轮研发积累的数据流程、训练配置、评估方法和工具，都会像滚雪球一样不断扩充，成为后续版本可以直接调用的成熟研发资产。

从日常创意到硬核排错：两场实测见真章

光有理论性能还不够，我们通过两场真实场景的实测，来验证IQuest-Q1的实际落地能力。

实测一：国庆卧室保卫战小游戏

针对国庆假期不想出门挤人流、只想宅家放松却又被朋友圈的精致出游照打乱节奏，甚至纠结一天该做什么的情绪困扰，我们尝试让IQuest-Q1生成一款专属小游戏。

仅用一段200字左右的提示词，加上短短几分钟的等待，我们就得到了一个可以直接在竖屏手机上运行的HTML游戏。这款游戏不仅为“情绪怪兽”设计了专属的NPC设定和血条机制，玩家还可以用枕头作为武器精准打击坏情绪；如果被怪兽击中需要回血，只需回到床上躺平就能快速恢复血条。游戏结束后，还会从奶茶、炸鸡、看电影、逛超市、附近散步中随机生成一个“今日目标小彩蛋”，帮纠结的用户直接找到休闲选项，甚至还支持一键保存战果，轻松分享到社交平台。

实测二：定位RL训练中的隐藏空格BUG

除了创意生成类任务，IQuest-Q1在硬核工程排错场景中同样表现出色。我们参考公开的实测案例，来看一个真实的RL训练故障排查场景：某次强化学习训练中，Reward曲线没有按照预期持续爬升，仿佛被无形的力量卡住。研究人员将训练日志、落盘轨迹和代码库交给IQuest-Q1，让它基于Claude Code CLI框架进行反向排查。

最终，问题被精准定位在RL框架接入Scaffold时的文本回传与轨迹拼接环节：推理服务在文本解码时额外插入了一个不起眼的空格。这个看似微小的错误，却导致模型生成的文本与回传历史出现错位，引发前缀匹配断裂、多轮生成中断，让此前多轮的读代码、运行命令、修改代码的工作全部白费，仅最后一轮回答得以完成训练。好在IQuest-Q1及时发现并修复了这个BUG，让训练流程得以正常推进。

△ 修复后的Reward曲线（源自公开实测案例）

扎实的底层研发积累

IQuest-Q1的出色表现，离不开背后的研发团队——至知创新研究院IQuest Research。从今年7月底到8月，团队就已经深耕模型训练的核心环节，陆续提出了MuonH优化、UBio-MolFM以及稀疏权重分解等多项研究成果，为后续模型的研发打下了坚实的技术基础。

在本月16日，IQuest Research参与提出的ModularRSI自进化框架登上了Hugging Face日榜第二位。该框架不仅将Agent在Terminal-Bench 2.0和SWE-Bench Verified上的准确率分别从47.57%、73.40%提升至52.43%和76.45%，还实现了Agent习得的执行能力跨任务、跨模型复用，有效解决了自改进过程中的信用分配与泛化难题。

如今IQuest-Q1的推出，正是团队技术积累的自然结果。无论是反重力赛车游戏的创意落地、小游戏的快速生成，还是RL训练BUG的精准排查，亦或是团队从优化Agent搜索效率到让模型参与自身研发迭代的探索，IQuest Research团队始终在追问同一个核心问题：AI能否真正完成复杂任务，让每一次交付都成为下一次进化的起点。

新的AI研发故事已经开启，你准备好了吗？

以上内容不代表本平台立场，仅供读者参考