IQuest Research lança modelo IQuest-Q1 de 320B com pesos abertos

A IQuest Research lançou no dia 28 de setembro o IQuest-Q1, um modelo de linguagem com pesos abertos voltado para tarefas de programação por agentes, raciocínio e uso de ferramentas em múltiplas etapas. A organização disponibilizou os pesos e o cartão do modelo no Hugging Face sob o perfil IQuestLab, acompanhados pelo código de inferência publicado no GitHub sob uma licença personalizada do IQuest-Q1.

Desenvolvido para atuar como um modelo base em sistemas de agentes operados por linha de comando, o IQuest-Q1 utiliza uma arquitetura esparsa de mistura de especialistas (MoE). A estrutura é um tipo de modelo em que apenas partes específicas da rede de parâmetros são acionadas em cada etapa de processamento. Ao todo, a ferramenta conta com cerca de 320 bilhões de parâmetros totais, dos quais aproximadamente 15 bilhões são ativados por token.

Arquitetura e treinamento focado em agentes

Segundo as especificações divulgadas no cartão do modelo, o IQuest-Q1 possui 88 camadas de transformadores, 256 especialistas com oito deles ativos a cada token e uma janela de contexto de 524.288 tokens, que define o volume de texto que a ferramenta consegue analisar em uma única entrada. A arquitetura adota um padrão de atenção híbrido, combinando três camadas de janela deslizante com uma camada de atenção total, além de camadas de predição de múltiplos tokens para dar suporte à decodificação especulativa.

Durante as etapas de pré-treinamento e treinamento intermediário, os dados foram direcionados para código e áreas STEM, incluindo trajetórias de agentes com contextos mais longos. Em seguida, a equipe aplicou três etapas focadas em agentes, sintetizando tarefas em conjunto com seus ambientes, como APIs reais, servidores MCP e repositórios executáveis. O processo de aprendizado por reforço gerou quatro modelos especialistas voltados a diferentes aspectos, que foram fundidos em um único modelo por meio de destilação de políticas.

Desempenho em testes e participação no próprio desenvolvimento

Nos benchmarks divulgados pela IQuest Research, o IQuest-Q1 alcançou pontuações de 64,6 no DeepSWE v1.1, 63,0 no NL2Repo, 84,5 no CyberGym, 83,2 no Terminal-Bench 2.1, 55,7 no JobBench e 29,6 no Agents' Last Exam. A tabela comparativa apresentada pela empresa coloca o modelo à frente do GLM-5.3 e do DeepSeek-V4-Pro na avaliação do NL2Repo, porém atrás do DeepSeek-V4.1-Flash nos testes DeepSWE e CyberGym. As notas atribuídas aos concorrentes correspondem a dados reportados publicamente.

A desenvolvedora também relatou que o IQuest-Q1 participou do seu próprio processo de desenvolvimento sob supervisão humana. Em um caso publicado em seu blog, o modelo detectou uma falha em uma curva de recompensa interrompida enquanto operava no Claude Code, identificando um espaço extra inserido na decodificação do texto que afetava o treinamento. A IQuest recomenda que o modelo seja executado via SGLang ou vLLM em um conjunto de oito GPUs e integrado a estruturas como Claude Code ou Codex. A equipe ressalta que a ferramenta processa apenas texto, está em fase inicial e exige supervisão de pessoas em tarefas reais de linha de comando.