IQuest-Q1 模型亮相：320B 总参数、15B 激活，可排查 RL 训练数据 Bug
量子位报道称，IQuest Research 推出 IQuest-Q1 模型，采用稀疏 MoE 架构，总参数约 320B、激活参数约 15B，可凭 Prompt 生成小游戏，并据官方 Blog 案例定位 RL 训练中的空格错误。
核心事实
据量子位报道，至知创新研究院 IQuest Research 推出模型 IQuest-Q1。报道称，该模型采用 decoder-only Transformer 主干与稀疏 MoE 架构，总参数约 320B，激活参数约 15B。文中提到，该模型可依据一段提示词生成可在竖屏手机上运行的 HTML 小游戏，并称其参与了自身研发迭代流程。
报道还引用官方 Blog 案例称，在一场 RL 训练中 Reward 曲线未按预期上升，IQuest-Q1 基于 Claude Code CLI 框架分析训练日志与落盘轨迹，最终将问题定位到推理服务文本解码时额外插入的一个空格，该空格导致生成文本与回传历史错位、前缀匹配断裂。
背景与影响
报道提到，IQuest-Q1 在 NL2Repo、CyberGym、Terminal-Bench 2.1、DeepSWE v1.1、JobBench 等评测中有所表现，但未给出完整分数与对比条件。团队此前还提出 MuonH 优化、UBio-MolFM、稀疏权重分解等研究，并参与提出 ModularRSI 自进化框架，报道称该框架曾登上 Hugging Face 日榜第二。
若上述能力成立，此类模型的价值可能体现在把创意生成与工程排错放在同一工具链中，减少人工排查训练故障的时间。不过相关效果仍需更多独立验证。
限制与来源
本文信息来自量子位报道及其引述的官方 Blog，属于二手转述，尚未获官方逐项确认。文中参数规模、评测表现与案例细节均以报道口径为准，模型的实际功能、可用地区、账号与语言支持、许可条款及定价等，请以官网与官方仓库当前信息为准。上述内容不构成任何投资或采购建议。