开源大模型卷参数量已经不太新鲜了；更值得看的，是谁把「激活参数」压到本地与中小集群也扛得住，同时还能把代码与 Agent 长任务做完。至知创新研究院（IQuest Research）把这盘棋落在了 IQuest-Q1。
据团队公开材料与产品页面，IQuest-Q1 采用 decoder-only Transformer 主干与稀疏 MoE 架构，总参数约 320B、激活参数约 15B，稀疏比接近 20:1。定位明确：主攻代码生成、软件工程与复杂智能体任务，而不是再堆一个「什么都会一点」的通用旗舰。模型权重已在 GitHub 与 Hugging Face 开放，官方博客同步给出训练与实测说明。
评测与能力口径： 公开成绩覆盖仓库级代码生成基准 NL2Repo、网络安全基准 CyberGym、终端任务 Terminal-Bench 2.1、代码长程任务 DeepSWE v1.1，以及面向专业办公场景的 JobBench 等。团队强调，这份成绩单是在约 15B 激活规模下取得的——「能力对齐更大模型、推理成本对齐更小模型」才是叙事重点。实测侧还展示了 Prompt 直接生成可玩 HTML 小游戏，以及在真实 RL 训练排障中定位到推理服务解码多插空格导致轨迹错位等工程案例。
研发背景： 2026 年 7–8 月，团队陆续公开 MuonH 优化、UBio-MolFM、稀疏权重分解等训练侧成果；9 月中旬参与提出的 ModularRSI 自进化框架曾登上 Hugging Face 日榜前列，称可将 Agent 在 Terminal-Bench 2.0、SWE-Bench Verified 等任务上的表现继续抬升，并让习得能力跨任务、跨模型复用。IQuest-Q1 被描述为这条「交付闭环」上的模型落地：方案通过后，验证过的更新、训练资产与流程会滚入下一轮迭代。
对开发者，这意味着又多一个「能本地/中小集群扛、又能接 Agent 脚手架」的开源锚点；对企业，则是把代码与智能体部署成本再压一层。开源许可、商用边界与完整复现实验仍以官方仓库为准。事实以 GitHub / Hugging Face 与团队博客披露为准。