bingdadaIQuest-Q1是一款采用稀疏MoE架构的大模型，总参数约320B、激活参数约15B。它能根据提示词直接生成可运行的HTML游戏，也能分析RL训练日志并从代码库中反向定位导致奖励曲线异常的工程缺陷，体现了模型参与自身研发迭代的闭环思路。
一条本该稳步爬升的奖励曲线突然卡住了。这不是什么罕见的训练事故，但排查过程却揭示了一种新的可能性：把故障日志、落盘轨迹和代码仓库一并交给模型，让它自己去追根溯源。
最终定位到的元凶小得令人意外——推理服务在文本解码环节多插入了一个空格。这个空格让模型生成内容与回传历史发生错位，前缀匹配断裂，多轮生成中断，RL训练前几轮的读代码、跑命令、改代码全部白费，只有最后一轮回答被有效学习。
修复之后，奖励曲线恢复正常。这个案例来自IQuest Research公开的技术博客，也是理解IQuest-Q1设计思路的一个绝佳切口。
从架构上看，IQuest-Q1采用decoder-only Transformer主干，搭配稀疏MoE（混合专家）设计，总参数量约320B，但每次推理只激活约15B参数。
这种设计的核心逻辑并不复杂：用大容量存储知识，用小激活保证效率。但真正值得关注的是IQuest Research在训练方法上的积累。今年7月底到8月，团队先后提出了MuonH优化、UBio-MolFM和稀疏权重分解等成果，这些工作为后续模型训练提供了底层支撑。
更值得注意的是模型参与自身迭代的机制。当IQuest-Q1提出的研发方案被人类研究者确认后，验证过的模型更新、训练资产和研究流程会直接流入下一轮迭代。每一轮沉淀的数据流程、训练配置、评估方法和工具持续累积，形成可复用的研发资产。这种“模型参与研发闭环”的思路，与Meta在Llama系列中探索的自我改进方向有相似之处，但IQuest-Q1更强调工程交付层面的闭环。
第一个测试场景很生活化：给国庆宅家不想出门的人搓一个《国庆卧室保卫战》小游戏。
输入一段约200字的提示词后，模型直接输出了一套可在竖屏手机上运行的HTML游戏。游戏机制包括：枕头作为武器攻击怪物、回床上躺平回血、NPC带有独立的情绪设定和血条、结束后随机掉落“今日目标小彩蛋”（从奶茶、炸鸡、看电影、逛超市、附近散步中选一个）。战果还能一键保存分享。
这个测试的价值不在于游戏本身多复杂，而在于它展示了模型对“完整交付”的理解——不是给一段代码片段，而是给一个能直接运行、有完整交互逻辑的产品。
第二个测试回到了工程现场。
在一场真实的RL训练中，研究人员发现奖励曲线异常。他们把问题交给IQuest-Q1，让它基于Claude Code CLI框架分析训练日志和落盘轨迹，并从代码库中反向追查原因。
模型最终定位到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空格。这个发现直接解释了为什么前几轮训练效果全部丢失。
这个案例的意义在于：模型不仅能写代码，还能理解代码运行时的行为偏差，并从日志和轨迹中反推出根因。这种能力在SWE-Bench等基准测试中已有体现，但真实训练场景中的故障排查显然更具挑战性。
IQuest-Q1在多个复杂任务评测中交出了成绩：仓库级代码生成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、办公场景JobBench。在同参数量模型中，这些表现处于可圈可点的区间。
团队此前参与的ModularRSI自进化框架曾登上Hugging Face日榜第二，该框架将Agent在Terminal-Bench 2.0和SWE-Bench Verified上的准确率分别从47.57%和73.40%提升至52.43%和76.45%，并实现了执行能力的跨任务、跨模型复用。
IQuest-Q1的稀疏MoE路线在国内并非孤例。DeepSeek的V3系列同样采用大规模稀疏激活架构，在总参数量与激活参数之间寻找效率平衡；文心一言和通义千问也在持续迭代各自的MoE方案。差异在于侧重点：IQuest-Q1更强调模型参与自身研发迭代的闭环，以及从训练故障中反向定位工程缺陷的能力。
国内另一条值得关注的线索是Agent能力的工程化落地。Kimi在长上下文和网页操作方向持续投入，豆包和智谱GLM则在办公场景和终端任务上发力。IQuest-Q1在JobBench和Terminal-Bench上的表现，说明这条赛道上的竞争正在从“能不能做”转向“能不能稳定交付”。
IQuest-Q1采用decoder-only Transformer主干，搭配稀疏MoE架构，总参数约320B，激活参数约15B。这种设计在保持大容量知识存储的同时控制推理成本。
从公开案例看，它能分析训练日志和落盘轨迹，从代码库中反向追查故障原因。例如定位到推理服务解码时多插入空格导致的前缀匹配断裂问题。
相同点是多家国内模型都在探索稀疏MoE路线。差异在于IQuest-Q1强调模型参与自身研发迭代的闭环机制，以及从真实训练故障中定位工程缺陷的能力。
在NL2Repo、CyberGym、Terminal-Bench 2.1、DeepSWE v1.1、JobBench等复杂任务评测中表现不俗，同参数量模型中处于可圈可点的区间。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
清华AIR孵化的紫荆智康推出多分身智能体协同技术，让不同专科的AI医生在真实诊室中协作，把多学科会诊前置到首诊环节，并在虚拟训练与现实微调中持续进化。
MiniMax M3.1 Flash 正式亮相，以 29.6% 的 ALE 得分拿下国产 Agent 第一，同时把综合成本压到前代 30%。本文拆解其跑分表现、极速低价策略，以及国产 Flash 双子星如何改写企业级 Agent 的落地逻辑。
VAST开源实时世界模型EdenLive，以状态与渲染解耦架构在单张RTX 5090上实现720P超24FPS生成，覆盖游戏预览、场景动画、视频重渲染与具身数据增强四类场景。
获取最新的 SEO 与 GEO 技术资讯。
我们尊重您的隐私，随时可以取消订阅。
