> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# 九坤旗下IQuest发布面向编程智能体的开放模型IQuest-Q1
- URL: https://globalfeed.ai/zh/jiu-kun-qi-xia-iquestfa-bu-mian-xiang-bian-cheng-zhi-neng-ti-de-kai-fang-mo-xing-iquest-q1/
- Published: 2026-09-30T03:45:08.000Z
- Updated: 2026-09-30T03:45:08.000Z
- Description: 九坤投资旗下的 IQuest 发布 IQuest-Q1，面向编程智能体和多步工具调用。该模型可接入 Claude Code 和 Codex CLI，可在自有服务器上运行，但需要 8 张大显存数据中心 GPU。
- Author: GlobalFeed Editor
- Tags: IQuestLab, IQuest-Q1, 开放模型, 编程智能体, x-iquestlab, x-huggingface, dil-zh, elle

九坤投资旗下的人工智能研究机构 **IQuest**（至知创新研究院）于 2026 年 9 月 28 日在 Hugging Face 和 GitHub 上发布了 [IQuest-Q1](https://huggingface.co/IQuestLab/IQuest-Q1?ref=globalfeed.ai)。该团队在 Hugging Face 上的名称为 IQuestLab，此前曾发布编程模型系列 IQuest-Coder。根据模型卡（model card）介绍，IQuest-Q1 面向智能体编程（agentic coding）、推理和多步工具调用（tool use），是一款可在自有服务器上运行的开放模型。

## 面向编程智能体的模型

IQuest-Q1 采用混合专家（Mixture-of-Experts，MoE）架构，总参数量为 3,200 亿，每个词元（token）约激活 150 亿参数，即从 256 个专家中选出 8 个。上下文窗口为 512K 词元（524,288），适合处理大型代码仓库和长时间的智能体会话。模型混合使用滑动窗口注意力（sliding-window attention）和全注意力层，每四层中有三层为滑动窗口。多词元预测（multi-token prediction，MTP）层则通过提前起草词元来加快生成速度。该模型仅支持文本输入，不支持图像、音频或视频。

模型卡详细介绍了如何在 **Claude Code** 和 **Codex CLI** 中使用该模型。服务端提供与 OpenAI 兼容的 API；接入 Claude Code 需要支持 Anthropic Messages 格式的网关，接入 Codex 则需要支持 OpenAI Responses 格式的网关。开发者由此可以把惯用的命令行智能体接到自有服务器上的模型。

## 硬件与部署

以全精度（BF16）计算，模型文件约 650 GB。模型卡中的部署命令默认将模型切分到 8 张 GPU 上；由于每张卡的负载超过 80 GB，实际需要 H200 或 B200 级别的大显存数据中心 GPU。该模型无法装入单张显卡，IQuest 也没有发布量化（quantized）版本。官方推荐的推理框架为 SGLang 和 vLLM：[SGLang 支持](https://github.com/sgl-project/sglang/pull/41590?ref=globalfeed.ai)已于 9 月 29 日合并进主项目，vLLM 方面则由公司提供自己的分支和现成的 Docker 镜像。模型卡中没有关于 llama.cpp 或 Ollama 的支持信息。

许可证为 IQuest 所称的 "Modified MIT"，是 MIT 许可证的变体，允许商用。根据[许可证文本](https://huggingface.co/IQuestLab/IQuest-Q1/blob/main/LICENSE?ref=globalfeed.ai)，唯一的附加条件是：若在商业产品或服务中使用该模型或其衍生作品，须在产品的用户界面上醒目展示 "IQuest-Q1" 字样。

在公司公布的图表中，IQuest-Q1 在 DeepSWE、NL2Repo、CyberGym 和 Terminal-Bench 等编程与智能体测试中大多落后于 Claude Opus 5 和 DeepSeek-V4.1-Flash，在 CyberGym 和 Terminal-Bench 上则与它们接近；同一组图表显示，它在部分测试中领先于 DeepSeek-V4-Flash、GLM-5.3-Flash 等模型。对于希望在自有数据中心运行编程智能体、不愿将代码发往外部，且具备相应规模硬件的企业和研究团队而言，这是一个新的选择。

IQuest 在模型卡中写道，IQuest-Q1 仍处于早期阶段：在真实的命令行任务中可能忽视约束条件、重复失败的尝试，需要人工监督；模型卡建议用测试来验证生成的代码。模型卡中的 Codex 示例配置关闭了审批提示和沙箱（sandbox），建议根据自己的环境收紧这一设置。所有基准测试结果均来自公司，其中 IQuest-CLIBench 为公司内部测试。想了解该模型在实际工作中的表现，值得关注独立研究人员的评测。

来源：[Hugging Face：IQuest-Q1 模型卡](https://huggingface.co/IQuestLab/IQuest-Q1?ref=globalfeed.ai)、[GitHub：IQuestLab/IQuest-Q1](https://github.com/IQuestLab/IQuest-Q1?ref=globalfeed.ai)、[GitHub：SGLang 对 IQuest-Q1 的支持](https://github.com/sgl-project/sglang/pull/41590?ref=globalfeed.ai)。