9 月底，IQuest 在 Hugging Face 放出 IQuest-Q1 的权重：3200 亿总参数、每 token 只激活 150 亿、上下文 524,288。当时它更像一条社区快讯——开源权重、vLLM 与 SGLang day-0 支持，剩下的是社区自己扒模型卡。

真正把这件事顶到台前的，是 10 月 22 日公开的完整技术报告。报告第一次摊开 8 项智能体与推理基准的结果，上线后也进了 Hugging Face 每日论文榜；更关键的是，它交代了这个模型是怎么被造出来的。

最刺眼的一组数字在长程任务上。Terminal-Bench 2.1 拿 83.2，同一批模型分布在 66.0 到 89.1 之间，看着正常；可换到 3.0 版本只剩 17.9，4.0 版本 22.7，而 Claude Opus 5 在这两个版本上是 42.7 和 53.9。这不像是评测换代，更像是模型只在某一代 harness 上被调教过。

规格：320B 摆在桌上，15B 在跑

据 IQuest Research 发布的技术报告，该模型由 IQuest 团队打造，定位是命令行里的编码与通用智能体。总参数约 3200 亿，每 token 激活约 150 亿；稀疏 MoE 的常规配置是 256 个专家、每次激活 8 个，约占 3%。模型卡给出了完整规格。

骨架是 88 层 Transformer，隐藏维度 3072，查询头 48、键值头 8，头维度 128。注意力栈按 3 层滑动窗口 + 1 层全注意力交错，窗口 4096；位置编码只旋转每头 32 维。第一个 Transformer 层干脆不做稀疏路由，改用稠密 MLP，官方给的理由是缓解模型最早期专家负载不均衡。

训练：把稳定性当成一等公民

预训练用了 Stable SplitNorm、Muon 优化器和 μP 参数化。Stable SplitNorm 的思路是进入 FFN 的残差流不做归一化，换取 Post-Norm 式的深度利用率；μP 负责学习率在不同规模间的迁移，论文称在宽度与深度各 4 倍的跨度上验证了超参迁移，搜索是在一个隐藏宽度 896、18 层的小代理模型上做的，零样本搬到目标规模。

一个受控对比值得记：与 Qwen3-30B-A3B 式的 MoE 设计、同一份训练数据相比，论文报告 1.93 倍的扩展效率，达到同等训练损失大约只需 52% 的训练算力。论文还外推出一个「临界模型规模」概念——按激活参数约 5720 亿、按总参数约 12 万亿，意思是这套配方在远大于当前规模时仍留有稳定性余量。

后训练：任务、harness、四个专家

后训练是这套流程最费功夫的部分。任务与环境一起合成：通用智能体任务跑在真实 API、MCP server 和工作区文件上，编码任务跑在从代码仓库搭出来的可执行环境里。RL 采用多 harness、多版本策略，一个共享策略同时在 Claude Code、Codex、OpenCode 等不同 harness 及其不同版本上训练，每个 episode 指定任务域、harness 版本、环境和评估器；奖励只认可验证的终态正确性，并区分策略自身的错、环境或 harness 的错与评估器的错。

RL 最终产出四个专家，分别擅长终端交互体验、多 harness 操作、长程任务和通用智能体。MOPD（多教师在线策略蒸馏）把这四个冻结专家合并进一个从 SFT 第二阶段初始化的学生模型，之后再用残差模型合并把不同阶段的 checkpoint 折进来。奖励作弊的防护分三层：环境准备、运行时拦截、轨迹审计。

跑分：强在编码，短板在长程

官方表格里，DeepSWE v1.1 64.6、SWE-bench Multilingual 80.3、NL2Repo-Bench 63.0、CyberGym 84.5、Terminal-Bench 2.1 83.2、GPQA Diamond 93.3、IMOAnswerBench-Verified 93.0、BrowseComp 85.5。同一张官方表格里，CyberGym 高于 GPT-5.6 Sol 的 83.6，AutomationBench 52.7 高于 Claude Opus 5 的 50.3，τ³-Banking 51.8 也高于 Claude Opus 5 的 44.7。

但 Terminal-Bench 3.0 的 17.9、4.0 的 22.7，和 Claude Opus 5 的 42.7、53.9 摆在一起，差距很难解释成「harness 换代」。另外这些数字都是厂商自评：不同模型的 harness 与运行时上限不统一（CyberGym 6 小时、Terminal-Bench 2.1 是 8 小时、3.0 和 4.0 给到 10 小时），还有一项 IQuest-CLIBench 是自家内建基准。

它参与了自己的下一代

最耐人寻味的一段在论文第 6 节：一个基于该模型的智能体在人工监督下自我迭代。它在一次长程任务里因工具名与参数不匹配报错 35 次，随后回溯 6054 次工具调用，定位到训练数据严重偏向单一工具调用 schema、部分记录存在定义与参数错配，提出清洗不一致记录并用多 schema 增强数据；人类专家审核后才批准训练。该轮训练用了 23.5 亿 token 和 938.7 GPU 小时。

安全侧也有实操：论文报告一次为期三天的部署中，人类安全专家借助该模型产出 30 份漏洞报告，均经同行独立验证，并对影响开源项目的问题做了负责任披露。

所以呢

限制写在模型卡里也很直白：纯文本输入，没有图像、音频或视频；工具调用走 IQuest 自有 chat template 格式，需要兼容的解析器；真实 CLI 任务里的迭代调试仍可能忽略约束、重复失败路径，需要人盯。

所以真正的看点不是某个榜单名次，而是那套「模型参与自己下一代」的循环有没有闭环。如果 512K 上下文加 88 层混合注意力意味着 CLI 智能体正在从「应用层套壳」变成训练目标本身，那么下一个问题就不是谁的分更高，而是谁先把这条流水线跑顺——榜单会换版本，harness 也会换代，但训练与评测之间的这层耦合，才是这轮工程投入真正押注的东西。