KI SpotlightNewsIQuest-Q1: Offenes Coding-Modell mit 320 Milliarden Parametern, Leistungswerte bisher nur vom Hersteller
IQuest Research stellt ein sparsames MoE-Modell für CLI-Agenten vor. Die Benchmarks stammen vom Hersteller, und die Zahlenangaben im Material sind nicht durchgehend einheitlich.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- IQuest-Q1 ist ein offenes Mixture-of-Experts-Modell mit 320 Mrd. Gesamtparametern und 15 Mrd. aktivierten pro Token.
- Laut Paper-Berichterstattung: 88 Layer, 256 Experten (8 pro Token), 512K-Kontextfenster.
- Pre- und Mid-Training umfassen laut Pressemitteilung rund 29 Billionen Tokens, Kontext wächst schrittweise auf 512K.
- Das Training umfasst Pre-Training, Mid-Training und Post-Training mit SFT, RL und MOPD.
- Eine Policy lernt laut Herstellerseite in synthetischen Umgebungen über mehrere Harnesses.
IQuest-Q1: Offenes 320-Milliarden-Modell mit 15 Milliarden aktiven Parametern
IQuest Research hat IQuest-Q1 veröffentlicht. Es handelt sich um ein offenes, sparses Mixture-of-Experts-Modell für agentische Coding- und CLI-Aufgaben sowie für allgemeine Fähigkeiten. Nach Angaben des Herstellers wurde es von Grund auf trainiert. Paper, Modell auf Hugging Face und GitHub-Repository sind verfügbar. Die Pressemitteilung ist auf den 23. Oktober 2026 datiert.
Das Modell umfasst 320 Milliarden Gesamtparameter, von denen pro Token 15 Milliarden aktiv sind. Berichtet werden 88 Layer, 256 Experten mit jeweils 8 aktiven pro Token sowie ein Kontextfenster von 512K (524.288 Tokens). Eine Quelle nennt außerdem hybride Aufmerksamkeit aus Sliding-Window- und Full-Attention im Verhältnis 3:1. Das Repository schreibt „approximately 320B“ und „estimated 15B“. Paper, Pressemitteilung und Presse nennen die Zahlen ohne diese Einschränkung. Das dürfte ein Formulierungs- oder Rundungsunterschied sein und kein inhaltlicher Widerspruch.
Drei Trainingsstufen und Policy-Training über mehrere Harnesses
Das Training verläuft laut Hersteller in drei Stufen. Das Pre-Training kombiniert Stable SplitNorm, den Muon-Optimizer und muP mit einem zweistufigen Curriculum. In der zweiten Stufe steigt der Code-Anteil. Das Mid-Training erweitert die Datenmischung und verlängert den Kontext schrittweise auf 512K. Pre- und Mid-Training zusammen umfassen rund 29 Billionen Tokens. Im Post-Training kommen SFT, domänenspezifisches RL und Multi-Teacher On-Policy Distillation (MOPD) über mehrere Scaffolds zum Einsatz. Zusätzlich führt der Hersteller Experten und Checkpoints per Model Merging zusammen.
Für die CLI-Fähigkeiten trainiert IQuest nach eigenen Angaben in synthetischen Umgebungen. Dazu gehören reale APIs, MCP-Server, Workspace-Dateien und ausführbare Repository-Umgebungen. Eine einzelne Policy lernt dabei über mehrere Harnesses hinweg und behält deren jeweilige Tools und Kontextverwaltung bei.
Terminal-Bench 83,2, Version 3.0 nur 17,9: Die Herstellerzahlen im Detail
Laut Paper erreicht IQuest-Q1 auf Terminal-Bench 2.1 einen Wert von 83,2. Weitere Werte: SWE-Bench Pro 57,5, DeepSWE v1.1 64,6, GPQA Diamond 93,3, BrowseComp 85,5 und CyberGym 84,5. In derselben Tabelle stehen deutlich niedrigere Werte für Terminal-Bench 3.0 (17,9) und 4.0 (22,7).
Zum Setup nennt das Repository mini-SWE-agent für DeepSWE v1.1 und Claude Code für die übrigen agentischen Coding-Aufgaben. Die Zeitlimits betragen sechs Stunden für CyberGym und acht Stunden für Terminal-Bench 2.1. Verglichen wird mit DeepSeek-V4-Flash und -Pro. Für fremde Modelle übernahm IQuest veröffentlichte Werte, sonst maß es selbst.
Die „1,93× Skalierungseffizienz“ ist ebenfalls eine Herstellerangabe. Gegenüber einer Qwen3-30B-A3B-artigen MoE-Baseline soll das Modell bei identischen Daten etwa 52 Prozent des Rechenbedarfs benötigen, um denselben Trainingsloss zu erreichen. Die Baseline ist nicht näher benannt. Eine unabhängige Bestätigung der Werte gibt es bislang nicht.
Betrieb mit vLLM oder SGLang, empfohlen mit Claude Code oder Codex
Das Modell lässt sich über Transformers laden. Bereitstellen lässt es sich mit vLLM oder SGLang über eine OpenAI-kompatible API. Docker-Images für beide Server sind laut Beschreibung vorhanden. Empfohlen werden Temperatur 1,0, top-p 0,95 und top-k 20. Als Harness nennt der Hersteller Claude Code 2.1.140 oder Codex 0.142. Das Modell ist nicht multimodal.
MindStudio erwähnt in manchen Client-Konfigurationen ein Kontext-Setting „1m“. Das ist im Material ungeklärt und nicht primär belegt. Maßgeblich bleiben 512K. Als hauseigenen Test nennt der Hersteller IQuest-CLIBench für die CLI-Nutzererfahrung. Hardwarebedarf, Lizenz und EU-Konformität müssen Betreiber selbst prüfen.
