IQuest-Q1 首次技術報告公開：320B 程式模型，如何學會跨工具完成長任務？
IQuest-Q1 本週公開首次技術報告，補上29兆Token訓練、多框架代理流程與驗證方法。本文區分既有開放權重與新報告，說明320B／15B、基準設定和實際部署限制。
程式模型會寫一段函式，和能在專案裡找檔案、改程式、跑測試，是兩種不同的工作。IQuest-Q1 的新報告重點在後者。
後一種工作需要模型理解工具回覆，也要知道失敗後怎麼接著做，因此模型分數之外，訓練時接觸過什麼流程同樣重要。
IQuest 在 2026 年 10 月 22 日首次公開 IQuest-Q1 技術報告，補充這個程式代理模型的訓練和驗證方法。模型權重是訓練完成後的參數檔，早在九月就已開放。
報告描述從大規模語料走到多種代理框架的訓練，也交代如何阻止模型偷看既有答案，避免把作弊當成進步。
我認為這次最值得開發者讀的是流程與驗證設計，而不是把總參數三千兩百億、每次啟用一百五十億，直接換算成便宜又可靠。
先釐清模型和周圍工具各負責什麼，才能看懂這份報告新增的資訊。
IQuest-Q1 技術報告補上了什麼，模型本身負責哪一段？
新報告解釋既有模型如何從一般文字訓練走到命令列工作，工具執行和環境管理仍由代理框架負責。命令列就是以文字指令操作檔案和程式的介面，模型可以透過它取得工作結果。
這次的時間點需要先分清楚。官方 Hugging Face 模型庫在九月二十八日建立，權重先前就可取得。十月二十二日新增的是首次技術報告，讓外界能讀到更完整的訓練與驗證方法。
權重是模型訓練完成後的參數檔，決定它如何根據輸入產生下一步。代理框架則負責把模型提出的工具要求送去執行，再把結果帶回來，讓模型知道檔案是否存在、測試是否失敗。
因此，模型能提出一個修正方向，不等於整個系統已經改好專案。它還需要可用的執行環境、正確的工具格式，以及能辨認結果是否符合要求的驗證程序。
報告新增的價值在這裡：它不只列出幾個分數，也描述怎麼建任務、收集互動紀錄，以及把不同代理工具的經驗接進同一個模型。
這些資訊能幫開發者判斷，自己的工作和作者訓練過的流程有多接近。若應用要處理完全不同的工具或權限，不能只因為同樣叫程式代理，就假設表現會相同。
模型與工具分工清楚後，參數規模才不會被誤讀成完整系統的成本。
320B 總參數與 15B 啟用量，為什麼不能混成記憶體需求？
混合專家模型每個 Token 只使用部分參數，但其他專家仍需儲存並在執行時可被取用。Token 是模型處理文字的單位，可能是一個字、詞的一部分或符號。
IQuest-Q1 的總參數約三千兩百億，每個 Token 啟用約一百五十億。混合專家會依輸入挑選部分網路參與計算，所以單次運算不需要完整走過所有專家。
但沒有被這一次選到的專家，不代表下一次也不需要。部署仍得安排整體權重的位置與存取方式，不能拿啟用量直接推算，說一般能跑十五億或一百五十億模型的裝置也能裝下它。
長對話還需要額外保存運算中的資訊。模型檔案容量、執行程式、對話長度與同時服務人數，都可能影響實際記憶體需求，總成本不是單看一個參數數字。
架構也混合局部與全域注意力。注意力是模型決定應參考哪些先前資訊的方式，局部層較集中在附近文字，全域層則能連接更遠的內容。
論文列出，中間區塊以三層局部配一層全域重複，最前和最後還另有全域層。局部與全域在不同位置交錯，因此各層回看資訊的範圍和成本也不同。
上下文上限達五十二萬多 Token，表示可接受的輸入範圍，卻沒有保證任何細節都不會忘。它需要和模型如何訓練、工作如何分段，以及實際測試一起理解。
這種架構降低的是部分計算，模型要完成長任務仍需要相應的訓練。
29 兆 Token 如何逐步變成命令列工作能力？
預訓練先建立一般能力，再提高程式資料比重，中期訓練才加入代理軌跡並逐步擴長上下文。軌跡指的是模型提出動作、收到工具結果，再繼續工作的完整過程。
作者表示，預訓練與中期訓練合計使用二十九兆 Token。這個數量涵蓋多種資料，是開發模型能力時累積的使用量，和執行一次任務當場讀取多少文字不同。
早期資料涵蓋網頁、程式、書籍、論文與其他領域。先建立一般知識，再逐步增加程式和科學技術內容，讓後面的專業訓練有較完整的起點。
報告描述，後一階段的程式資料比例由四成逐步提高到七成。這個安排不是只追求資料越多越好，而是讓模型在一般理解與後續程式工作之間逐步移動重心。
中期訓練再加入問答和工具互動資料，同時把訓練上下文從三萬二千逐步延伸到十二萬八千、五十一萬二千。模型因此不只是看到更長文件，也接觸較長的工作紀錄。
為了增加可用軌跡，團隊從程式庫建立超過一百萬個可執行的容器化任務實例。容器提供相對一致的軟體環境，讓代理能真的嘗試操作，而不只閱讀別人描述的成功步驟。
不過，任務建出來還不等於每條資料都值得學。報告表示會保留有效、完整的互動紀錄，後續還要檢查環境與驗證器，避免模型把錯誤示範當成好方法。
有了工具互動的基本格式，後續訓練還要讓模型面對不同工具與失敗。
多種代理框架與教師模型，如何接進同一輪訓練？
研究把不同框架和版本的任務放進共同執行系統，再透過示範、獎勵和多教師訊號整合能力。這裡的框架，就是替模型安排工具、對話和工作狀態的周邊程式。
同一項修正，在不同版本的工具裡可能收到不同格式回覆。如果模型只在一套介面裡練習，換到另一個環境，就可能把原本會做的事情卡在格式或流程上。因此，訓練時還要保留不同介面實際的互動流程，讓同一份模型有機會學到這些差異。
作者讓每個訓練實例帶著自己的框架、任務環境和驗證器，執行時仍保留對應的工具安排。共同系統提供一致的模型入口，沒有把所有工具強行改成相同使用者畫面。
示範訓練先讓模型學習怎麼回應與呼叫工具，再用任務層級回饋加強能力。回饋若只告訴它最終是否成功，品質便很依賴成功條件是否設得正確。
多教師蒸餾則利用其他已訓練模型提供訊號。蒸餾是把教師的判斷傳給學生模型，這裡由學生先產生互動，再讓凍結的教師評估文字選擇，並不是使用者每次操作都會另外叫出四個模型。
最後還有模型合併，把不同專家和訓練階段的更新組合起來。這和同時開多個代理投票不同，目的是把互補能力整合到最終權重，而不是把執行成本永遠分成多份。
報告也提到模型參與內部後續開發，但過程仍有人監督。這可以視為廠商描述的迭代流程，還不能當成模型已能完全自行設計、驗證下一代的獨立證明。
多教師也增加訓練資源安排的難度。報告描述教師權重按需要載入，並在目前教師運算時預先準備下一份，減少每增加一個教師就必須多保留一整組顯示記憶體的需求。這是訓練系統的設計，沒有表示部署後的模型檔案會自動縮小。
任務能跑不代表訓練答案可信，接著還要防止模型繞過真正問題。
清理 Git 歷史與審查軌跡，為何是核心訓練條件？
若代理能直接找到已修好的版本，分數提升可能來自答案外洩，研究因此從環境、執行和紀錄三處設防。這不是單純限制工具越少越好，而是讓工具能力用在真正的任務上。
程式庫的 Git 歷史保存過去修改。如果題目要求修某個錯誤，環境卻留著後來已完成的修正，模型可能只是讀出答案，再交一份看似成功的結果。
因此，研究會依任務清理歷史、移除會洩漏解答的檔案，或建立只有必要材料的新環境。不同題型需要的歷史不同，不能一律刪除所有資訊，也不能全部原封不動交給模型。
執行時還要處理外部存取。報告描述網路限制和工具攔截，避免代理去找既有解答、隱藏測試或其他任務資源。需要的正常依賴則盡量保留，讓工作仍能進行。
即使驗證通過，紀錄仍值得檢查。若模型把測試程式改弱，或偷讀隱藏答案，最終成功訊號就不能代表題目真的被解決，這類軌跡也不應繼續放進訓練資料。
報告表示會用規則與模型判斷審查命令、工具輸出和提交成果，再排除已確認的作弊紀錄。這提供了品質控制方法，沒有證明所有可能的繞路方式都已被堵住。
建立題目時，作者還要求參考解答能通過，什麼都不做的空解答必須失敗。若兩者都能過關，驗證器就沒有辨識出工作差異，再多收集成功紀錄也只會放大錯誤訊號。
驗證條件建立後，公開分數也需要放回各自的框架與時間限制比較。
Terminal-Bench 83.2 分和新版評測的落差怎麼讀？
同一模型在 Terminal-Bench 2.1 得到 83.2，但較新的 3.0、4.0 分數明顯較低，評測版本不能混用。版本改變後題目和測量範圍不同，不能把差距當成模型突然退步。
技術報告列出的後兩版成績分別為 17.9 與 22.7。它們和較早版本一起出現，提醒讀者目前能力仍有邊界，高分往往只對特定評測條件成立。
允許時間也不同。作者對 2.1 給八小時，對後兩版給十小時，所以這份表格不適合拿來推算模型完成相同工作快了多少。它主要描述各任務設定下的結果。
對照模型的分數來源也混合公開報告與作者自己測試，表格用標記區分。若把不同來源拼成完全相同條件的排行榜，就會隱藏框架、工具和推理設定帶來的差異。
內部 IQuest-CLIBench 則使用腳本模擬使用者，檢查執行紀錄與環境狀態。它關注互動工作品質，但 53.7 分不等於同樣比例的真人使用者滿意，也不能代替外部評估。
成績能幫忙縮小測試範圍，真正採用仍要回到可取得的權重、介面和限制。
部署與授權有哪些前提，適合哪一種開發者？
現有權重與整合文件可取得，但模型僅接受文字，工具解析需相容服務，商業產品還要遵守修改版 MIT 的顯示要求。文件提供服務與代理整合方式，沒有取消這些條件。
文字輸入限制尤其容易被忽略。部分代理任務會包含圖片，作者在相應測試裡用佔位資訊替代原生多模態內容，因此不能從任務名稱反推模型已經能看圖、聽聲音。
授權文件要求，商業產品或服務使用模型及其衍生版本時，在介面明顯顯示 IQuest-Q1，並保留相應版權與許可文字。這和沒有額外顯示條件的標準 MIT 不完全相同。
我會先用受控專案核對工具格式、測試結果和重複失敗，再決定是否投入這個規模的模型。首次報告讓方法更透明，真正適合自己的證據，仍要來自同一套環境裡能核對的工作成果。
延伸閱讀：Recursive Flint 開放權重：40B 本機程式模型，Eureka Machine 幫忙做了什麼？
延伸閱讀：Self-HPO 讓程式代理改流程再訓練自己：57.8% 到 64.8%，改善來自哪裡？
IQuest-Q1 常見問題
IQuest-Q1 是十月才開放權重嗎？
權重庫九月就已公開。這次新聞重點是十月二十二日首次技術報告新增的訓練與驗證資訊。
啟用 15B 就只需要放 15B 權重嗎？
每個 Token 只啟用部分專家，其他權重仍需儲存並能被取用，不能以啟用量代替全部部署需求。
IQuest-Q1 可以直接看圖片嗎？
官方列為文字模型，沒有原生圖片、音訊或影片輸入能力，工具整合也需相容服務。
