IQuest-Q1模型发布，320B参数仅激活15B

IQuest-Q1是一款面向复杂任务执行的模型，能够根据约200字提示词生成可直接运行的小游戏，也能完成数值求解和工程排错。例如，它曾将三体方程在10万步以内的求解结果转化为类似克林姆特金色线条的视觉效果，并生成可操控的反重力竞速游戏。

从评测结果看，IQuest-Q1在仓库级代码生成NL2Repo、网络安全基准CyberGym、Terminal-Bench 2.1、DeepSWE v1.1以及办公任务JobBench等测试中均有表现，整体竞争力处于同参数规模模型的较好水平。

模型采用decoder-only Transformer和稀疏MoE架构，总参数量约320B，但实际激活参数约15B，以降低单次任务的计算开销。

其研发流程也具有自进化特征：模型提出的方案经研究人员确认后，验证过的模型更新、训练资产和流程会进入下一轮迭代；数据处理流程、训练配置、评估方式及工具则持续沉淀为后续版本可复用的研发资产。

在《国庆卧室保卫战》测试中，模型仅根据一段约200字的Prompt，并经过约3分钟生成时间，就制作出适配竖屏手机的HTML游戏，包含个性化NPC和血条设定。

玩家可以用枕头攻击怪物，被击中后回床休息即可恢复生命值；通关后，系统还会从奶茶、炸鸡、电影、逛超市和附近散步中随机生成一个当日目标，并支持保存战果。

在另一项真实RL训练案例中，研究人员通过Claude Code CLI让模型检查日志、落盘轨迹和代码库。IQuest-Q1发现，Scaffold接入环节的文本解码额外插入了一个空格，造成前缀匹配失效、多轮生成中断，使前几轮读代码、执行命令和修改代码的训练全部失效，最终只训练了最后一次回答；修复后Reward曲线恢复正常。

IQuest Research团队在7月底至8月间还推出MuonH优化、UBio-MolFM和稀疏权重分解等成果。其参与提出的ModularRSI自进化框架于本月16日登上Hugging Face日榜第二，并将Agent在Terminal-Bench 2.0和SWE-Bench Verified上的准确率分别由47.57%、73.40%提升至52.43%、76.45%，同时支持执行能力跨任务、跨模型复用，改善自改进中的信用分配和泛化问题。