（来源：新智元）
新智元报道
还记得9月底，我们拉着IQuest-Q1做的那几场实测吗？
6个路口的早高峰，给它管；双11仓库里8台搬运机器人的调度，交给它；24层写字楼的电梯调度，也让它试了一遍。
我们还让它写前端、做游戏，看看一个320B的开源大模型，到底能把多少事情真正做起来。
那篇文章发出后，一个问题其实还没讲透：
能在复杂环境里连续干活的基础模型，究竟是怎么练出来的？
现在，这个问题终于有了更完整的答案。
就在今天，至知创新研究院（IQuest Research）公开了IQuest-Q1的完整技术报告《IQuest-Q1: Advancing Foundation Capabilities for Agentic CLI Systems》。
模型还是我们此前关注的那匹开源「黑马」：
320B总参数、15B激活参数，重点面向代码开发、命令行交互和复杂Agent任务。
不过，这次值得关注的，已经不只是模型会做什么了。
新公开的技术报告，给出了30项Benchmark成绩，还把不少训练细节摆到了台面上。
Benchmark成绩
对照模型包括Claude Opus 5、GPT-5.6 Sol等。而我们更感兴趣的，是这些成绩背后的技术投入：
29T Tokens、超过100万个可执行任务实例、1.93×的架构规模化效率，还有一套专门防止模型「作弊」的训练机制。
从9月底的实测，到如今的完整技术报告，IQuest-Q1终于把更多底牌亮了出来。
这次，我们就来拆拆它。
从写代码到跨系统干活
基模正在接受新的考验
此次技术报告公布了30项评测结果，涵盖代码生成、软件工程、终端操作、工具使用、复杂工作流以及通用推理等多个方向。
其中，AutomationBench与τ³-Banking的成绩非常值得多看几眼。
AutomationBench关注跨应用自动化能力。模型需要在不同系统之间调用工具、完成操作，并在多步骤执行过程中保持任务状态和约束。
τ³-Banking则引入复杂服务业务场景，考察智能体理解业务规则、调用工具和完成多轮任务的能力。
这些任务有一个共同特点：完成某个操作只是其中一步，模型还得让整个流程顺利走下去。
IQuest-Q1在两项评测中分别取得52.7和51.8分，均位居报告列示的对照模型首位。
此外，在SkillsBench、MCP-Atlas和Toolathlon-Verified上，模型分别取得74.1、78.4和75.0分，覆盖技能使用、工具接口理解及外部工具调用等能力。
在Claw-Eval和IQuest-CLIBench上，模型分别取得77.1和53.7分。
其中，IQuest-CLIBench是至知团队设计的内部评测，通过用户交互模拟、执行轨迹和环境状态检查，进一步考察CLI Agent的任务完成与交互表现。
Benchmark成绩
至于此前开源时重点展示的代码能力，IQuest-Q1在NL2Repo-Bench和CyberGym上分别取得63.0和84.5分。
BrowseComp 85.5、WideSearch 81.8、GPQA Diamond 93.3等成绩，也进一步展示了模型在信息搜索和知识推理方面的能力。
整体看下来，这次报告补充了更多复杂工作流和工具使用方面的评测证据。
当然，Benchmark还不能回答真实应用中的所有问题。面对更复杂、更开放的环境，模型仍然可能出错，也可能需要人工介入。
但至少，我们可以进一步追问：这些能力，究竟是怎样「炼」出来的？
给模型准备100万道「实战题」
还要防它作弊
如果说训练一个代码模型，需要让它阅读和理解大量代码，那么训练一个能够独立执行任务的Agent基础模型，就得让它真正进入环境里做事。
写完代码，要运行。
运行出错，要排查。
调用工具返回了意料之外的结果，还得继续调整方案。
整个过程是连续的，并且会不断产生新的状态。模型必须学会处理这些连续发生的情况，并且如果出现了错误，模型也需要从这些反馈里学习。
IQuest-Q1技术报告披露，团队从代码仓库和已有智能体轨迹出发，构建了超过100万个可执行、容器化的任务实例。
这些任务涉及软件工程、终端操作、代码理解与测试、程序生成、网络安全和专业工作等多个领域，并配套相应的执行环境与验证方式。
智能体训练任务与验证体系
模型在任务环境中执行操作，系统再筛选有效、完整的执行轨迹，将其用于中期训练。
但环境越来越真实，另一个问题随之出现。
基础模型也会寻找捷径。
例如，在代码修复任务中，智能体可能通过查找已有答案、读取隐藏测试，甚至修改评测脚本获得奖励。
从评分结果看，任务似乎完成了；实际上，模型可能并没有解决原本的问题。
在强化学习中，这类现象被称为Reward Hacking（奖励作弊）。
为此，至知团队建立了三层防护机制：
• 环境准备：清理可能泄露答案的代码历史与参考文件，隔离任务环境。
• 执行时检查：限制模型访问隐藏测试、已有解决方案等不应获取的资源。
• 轨迹审计：检查实际执行的命令、工具输出与提交结果，剔除确认存在作弊行为的轨迹。
这套机制旨在提高奖励反馈与真实任务完成情况的一致性。
训练环境之外，IQuest-Q1还需要适应不同Agent工具的工作方式。
在后训练阶段，团队围绕Claude Code、Codex等执行框架开展训练，结合监督微调、领域强化学习与多教师在线策略蒸馏（MOPD），增强模型对不同工具接口和交互流程的适应能力。
四类专业教师模型分别覆盖终端交互体验、多执行框架适应、长程代码与网络安全任务，以及通用智能体能力。
后训练流程
对于CLI 模型而言，能否稳定地理解工具、处理反馈并完成任务，正在成为基础能力的重要组成部分。
训练320B模型
如何把计算效率提升1.93倍？
除此之外，技术报告还披露了IQuest-Q1在基础模型架构上的一组实验结果：
1.93×。
这是团队在规模化效率对照实验中得到的结果。
在使用相同训练数据的条件下，与Qwen3-30B-A3B配置的MoE风格基线相比，IQuest-Q1模型达到相同训练损失所需的计算量约为基线的52%。
规模化效率与稳定性实验
需要注意，这一结果来自受控架构实验，衡量的是达到相同训练损失所需的计算量，并不直接等同于完整320B模型的实际训练成本。
那么，它背后有哪些设计？
IQuest-Q1采用320B总参数、15B激活参数的稀疏MoE架构。
模型包含88层Transformer，每个MoE层设置256个路由专家，每个Token激活8个。
注意力机制结合分组查询注意力与滑动窗口注意力，中间层采用每3层滑动窗口注意力搭配1层全注意力的结构。
IQuest-Q1整体模型架构
在优化方法上，团队采用Stable SplitNorm、Muon优化器与μP参数化，并通过小规模代理模型研究学习率迁移，改善大规模训练的效率和稳定性。
技术报告还引入Critical Model Size（CMS）指标，通过分析最优学习率和安全学习率之间的关系，研究模型在更大规模下的训练稳定性边界。
而这些架构设计，最终要承载庞大的训练任务。
报告显示，IQuest-Q1的预训练与中期训练累计使用约29T Tokens。
预训练阶段，代码数据比例由40%逐步提升至70%；中期训练进一步引入推理问答与智能体执行轨迹，并分阶段将最大训练上下文长度扩展至32K、128K和512K Tokens。
长上下文之外，团队还采用了一个有意思的推理设计：Recursive MTP（递归式多Token预测）。
模型在预训练时引入两个MTP层，之后将其中一层改造为递归草稿生成模块。
通过复用同一个MTP模块，系统能够在固定参数预算下生成多个后续候选Token，为投机解码提供支持。
此外，递归模块采用更小窗口的滑动窗口注意力，以限制长上下文条件下每一步预测的计算开销。
递归式多Token预测示意
从架构训练到推理执行，围绕计算效率问题，IQuest-Q1团队确实在多个环节进行了精心设计。
比跑分更难的
是把事干到底
看完这份技术报告，再回头看我们上次让IQuest-Q1调度红绿灯、仓库机器人和电梯的实测，就更能理解一件事：
让模型持续完成复杂任务，确实没那么简单。
百万级可执行任务、多框架强化学习、防奖励作弊、长上下文推理……这些看似分散的技术设计，其实都在解决任务实际执行中可能遇到的问题。
报告里还有个有意思的细节。
在一次工具调用能力优化实验中，基于IQuest-Q1的智能体追查了6054次工具调用记录，发现训练数据过度集中于单一工具调用格式，部分工具定义与参数也存在不匹配。
随后，它提出数据清洗与增强方案，并在人工审核后参与后续训练准备。
连训练中遇到的问题，也开始尝试交给模型自己来排查了。
从技术报告里可以看到，研发团队是从预训练做起，跑通了完整的研发路径，而不是基于其他模型微调而来的。
这对于一家成立时间不长的机构来说，可见其在此方向发力的决心。
无论是模型后续表现，还是至知研究院的后续发展，它的成长性是值得期待的。
当然，技术报告能解释模型是怎么训练的，却无法替代真实环境中的检验。
毕竟，Benchmark上的高分只是一场考试。工具突然报错、任务越跑越长、环境不断变化，才是模型真正要面对的考场。
上次，我们看到了IQuest-Q1能干什么。
这次，知道了它是怎么「炼」出来的。
至于下一次，不妨把难度再往上加一点。
参考资料：
技术报告：https://arxiv.org/pdf/2610.30949
Blog：https://iquestlab.github.io/
Hugging Face：https://huggingface.co/IQuestLab/IQuest-Q1
GitHub：https://github.com/IQuestLab/IQuest-Q1
编辑：元宇
