别眨眼。

星空下，一辆白橙色的反重力赛车如利刃出鞘，猛地切进弯道，丝滑拐弯，在赛道上拖拽出一道道冰蓝光带，溅起金黄色的摩擦星火，直至冲线。

这可不是好莱坞特技大片，而是我用IQuest-Q1 模型搓出来的沉浸式反重力竞速游戏。

它既能凭一句 Prompt 原地打造一款炫酷游戏，也能把十万步三体方程解成克林姆特笔下流淌的金色丝线，甚至还能从 RL 训练数据里揪出隐藏空格 bug，让模型重回训练正轨。

△数值求解三体问题运动方程实测（10 万步以内）

从 Benchmark 的表现来看，IQuest-Q1 也交出了一份相当能打的成绩单。

它在仓库级代码生成 NL2Repo、网络安全基准 CyberGym、终端 Terminal-Bench 2.1、代码长程任务 DeepSWE v1.1、办公场景 JobBench 等复杂任务评测中均表现不俗。

这么看，在同参数量模型中，它的表现是相当可圈可点的。

那么 IQuest-Q1 究竟是一款怎样的模型？它具体能帮我们做些什么？它诞生的研究土壤是怎样的？

看完你就懂了～

320B 参数只激活 15B：模型正在尝试自己 " 跑 " 完研发闭环

首先，让咱们来扒一扒 IQuest-Q1 的底层框架。（doge）

IQuest-Q1 采用了decoder-only Transformer 主干，配稀疏 MoE 架构，总参数约320B，激活参数约15B。

这意味着，它虽然体量看起来像个" 沉睡的绿巨人 "，但稀疏激活一上线，便能立马化身" 精准点穴的叶问 "，每一分算力都点在关键的穴位上，一点都不带浪费。

更有意思的是，我们从 IQuest-Q1 官宣的少量文字中察觉到，模型亲自参与了自身的研发迭代。

一旦它提出的研发方案被人类研究者们拍板通过，那么验证过的模型更新、训练资产和研究流程，便会直接流进下一轮迭代，被后续版本接着用。

而每一轮攒下来的数据流程、训练配置、评估方法和工具，也会像滚雪球一样越滚越大，直接转化为后续版本可复用的研发资产。

看着挺厉害，那么问题来了，它到干活的时候真的好使吗？

光说不练假把式，接下来，咱们直接来两道实测题，看看它到底能不能打。

从国庆宅家打怪，到揪出一个空格引发的 RL 训练故障实测一：《国庆卧室保卫战》小游戏

第一题，我直接让 IQuest-Q1 给国庆不想出门人挤人、SAN 值狂掉的我，搓个《国庆卧室保卫战》小游戏。

这个游戏妙就妙在，虽然我们明明早就决定好了不出门旅游，想在家养精蓄锐、回回血；

可一刷朋友圈，九宫格一个比一个精致，心里又忍不住冒出点遗憾和苦恼，更别提每天早上爬起来，还得纠结半天今天到底干点啥了…

我就想看看，咱们能不能顺手把这个烦恼也外包出去：

结果相当美妙。

我只丢给它一段 200 字左右的提示词，外加摸鱼三分钟，它就交给我一个能在竖屏手机上直接玩的 HTML 游戏。

更绝的是，它还给各位 " 小情绪怪 " 配好了独一无二又精准的NPC 设定和血条。

游戏里，我可以尽情把枕头当武器，指哪打哪，专治各种坏情绪。

同时，要是咱们玩嗨了，被怪兽击中要回血，那也可以直接回床上躺平，血条蹭蹭往上涨。

游戏结束后，它还会从奶茶、炸鸡、看电影、逛超市、附近散步里随机掉落一个" 今日目标小彩蛋 "，让咱们在不知道干啥的时候直接抄作业。

而且战果还能一键保存，发朋友圈就一句话：

这个国庆，我的松弛感满级了。

游戏玩完后，让咱们回到代码现场来测点烧脑的。

毕竟光会做游戏顶多算个气氛组，真本事还得看硬核活儿。

来，直接上强度——揪出那个让 RL 训练翻车的空格错误。

实测二：把 RL 训练中，那个导致故障的空格错误揪出来

这次就不是模拟题了，而是一个真实 RL 训练里常踩到的坑。

让我们来看一个官方 Blog 里的实测案例吧。

故事始于一条不太对劲的 Reward 曲线。

当时，一场 RL 训练中突然发现，Reward 曲线没有按照预期爬升，像被什么看不见的东西卡住了一样，非常不对劲。

然后，研究人员们试着把这个问题交给 IQuest-Q1，并让它基于 Claude Code CLI 框架分析训练日志、训练中的落盘轨迹，并从代码库中反向追查故障原因。

最终，问题被定位到 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。

这个空格看似微不足道，却足以让模型生成文本与回传历史错位，导致前缀匹配断裂、多轮生成中断、RL 训练前几轮的读代码、跑命令、改代码全白跑了，只练了最后一轮回答。

好在 IQuest-Q1 及时发现并修复了这个 Bug，才让训练得以正常进行。

△修复后的 Reward 曲线，实测源自官方 Blog

从创意生成到工程排错，两场实测看下来，我能明显感觉到IQuest-Q1 不只是能答，更能稳稳交付经得起查验的成果。

而要理解 IQuest-Q1 为什么如此重视交付，咱们不妨扒一扒它的研发团队至知创新研究院 IQuest Research。

把时间往前拨，我们就可以看到这个团队在短短时间内成果频出。

模型不一定追 " 高 "，各种能力夯扎实

从今年 7 月底到 8 月，团队逐步把研究扎进模型训练的核心环节，并相继提出了MuonH 优化、UBio-MolFM和稀疏权重分解等研究成果，为模型训练打下了坚实的基础。

再到本月 16 号，IQuest Research 参与提出的ModularRSI 自进化框架登上了 Hugging Face 日榜第二。

它不仅将 Agent 在 Terminal-Bench 2.0 和 SWE-Bench Verified 的准确率分别从 47.57%、73.40% 提升至52.43%、76.45%；

更能让 Agent 把习得的执行能力跨任务、跨模型直接复用，有效解决了自改进中信用分配与泛化的难题。

如今，IQuest-Q1 的出现，似乎让一切顺理成章。

无论是实测中赛车能不能开、游戏能不能玩、训练中出现 Bug 能不能及时找到根因；

还是团队从堵住 Agent 搜索时的偷懒捷径，到让模型参与下一轮研发，IQuest Research 团队追问的始终是同一件事：

AI 能不能把复杂任务做对、做完，并让每一次交付都成为下一次进化的起点。

别眨眼，新故事已经开始了。

你准备好了吗？

感兴趣的小伙伴们可以点进文末链接查看更多模型信息呀：

参考链接：

[ 1 ] GitHub：https://github.com/IQuestLab/IQuest-Q1

[ 2 ] Hugging Face：https://huggingface.co/IQuestLab/IQuest-Q1

[ 3 ] Blog：https://iquestlab.github.io/

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见