Zhizhi Innovation open-sources IQuest-Q1, 320B-param sparse MoE coding model
Chinese research institute Zhizhi Innovation released IQuest-Q1, a sparse MoE model with ~320B total parameters and ~15B active parameters, focused on coding, software engineering, and complex agentic tasks. The model shows balanced performance across benchmarks including NL2Repo, CyberGym, Terminal-Bench 2.1, DeepSWE v1.1, and JobBench, with weights and blog published on GitHub and Hugging Face.
Coverage timeline
机器之心机器之心
当 GPT-6 打出「抢着干活」的口号、Claude 把编程与终端操作牢牢按在自家腹地，开源阵营这半年也在同一条战线上加速集结 —— 从 Qwen 3.8、Kimi K3 到腾讯混元 Hy4，几乎每一次亮相都在把「代码 + 智能体」这条主线往前推一格。 一个共同的信号是：模型的价值锚点，正在从「答得漂亮」转向「干得成事」。 而在这大语言模型的红海中，一个新玩家正在悄然走入大家的视野。 我们观察到，就在昨天晚上，至知创新研究院开源了一个模型IQuest-Q1。模型采用稀疏 MoE 架构，总参数约 320B、激活参数仅约 15B，把训练重点放在代码、软件工程与复杂任务执行上，同时向推理、工具使用、长上下文理解与多步任务处理延伸。 在同代开源模型里，这是一个偏 "轻量" 的尺寸 —— 但从官方公布的评测和演示看，它给出的结果并不 “轻”。 模型权重与 Blog 已同步发布。 GitHub：https://github.com/IQuestLab/IQuest-Q1 Hugging Face：https://huggingface.co/IQuestLab/IQuest-Q1 Blog：https://iquestlab.github.io/ 榜单表现：小激活参数，均衡打法演示之外，跑分是另一把尺子 在涵盖代码、软件工程、终端操作、工具使用和复杂智能体任务的多项标准评测中，IQuest-Q1 整体呈现出较为均衡的表现 —— 没有靠单项极高分撑起成绩，各类任务上的能力分布相对完整。 具体到单项： 其中，IQuest-Q1 在仓库级代码生成NL2Repo以及网络安全基准CyberGym上得到了稳健的成绩； 并且在终端Terminal-Bench 2.1、代码长程任务DeepSWE v1.1、办公场景JobBench等复杂任务评测中展现出均衡的能力。 考虑到 15B 的激活规模，这份成绩单在推理成本上也留出了不小的空间。 从写游戏到修 bug，模型开始 "接活" IQuest-Q1 主打的是「可交付」—— 模型在任务过程中持续理解上下文、调用工具、处理反馈，最终交出一个可验证的结果，而不是一段停在编辑器里的代码。 我们拿到了官方放出的几组任务演示，覆盖前端交互、3D 场景、训练调试与真实工作环境，基本能勾勒出这款模型的能力边界。 在前端场景，用户一句自然语言指令下去，模型直接吐出
