The Pulse
IQuest presenta il suo modello da 320 miliardi di parametri per la CLI in un nuovo rapporto tecnico
Lo studio IQuest-Q1 di IQuest descrive un modello da 320 miliardi di parametri per attività da riga di comando e di programmazione, insieme ai risultati dei benchmark e alle indicazioni per il deployment. Secondo il rapporto, in un confront
AI.info Team · Scritto con l’IA · verificato ·
«Pubblichiamo IQuest-Q1 come modello open source per sostenere la ricerca e lo sviluppo della comunità.»
Scrivono gli autori dello studio di IQuest Research
IQuest ha pubblicato lo studio tecnico su IQuest-Q1 su arXiv il 22 ottobre 2026 e ha annunciato il rapporto il giorno successivo. Il modello è un sistema mixture-of-experts sparso progettato per interagire con la riga di comando, programmare e svolgere altre attività articolate in più passaggi. Lo studio illustra il processo di addestramento e i risultati dei benchmark; il repository GitHub del progetto fornisce istruzioni per il deployment.
Il modello da 320 miliardi di parametri di IQuest è pensato per lavorare nel terminale
IQuest-Q1 ha circa 320 miliardi di parametri, di cui si stima che 15 miliardi siano attivi per ciascun token. La sua architettura instrada gli input attraverso otto dei 256 esperti e il modello supporta una finestra di contesto di 524.288 token. Secondo IQuest, il pre-addestramento e la fase intermedia di addestramento hanno riguardato circa 29.000 miliardi di token.
Lo studio descrive un processo in tre fasi: pre-addestramento, fase intermedia di addestramento e post-addestramento. Secondo IQuest, il post-addestramento combina fine-tuning supervisionato, apprendimento per rinforzo specifico per dominio e distillazione on-policy da più modelli insegnanti, con la fusione di modelli per combinare le capacità di diversi checkpoint. In un confronto controllato condotto con dati di addestramento identici, secondo IQuest il modello ha richiesto circa il 52% della potenza di calcolo impiegata da un modello di riferimento mixture-of-experts in stile Qwen3-30B-A3B per raggiungere la stessa perdita durante l’addestramento. La cifra si riferisce al confronto, non al costo totale di addestramento del modello da 320 miliardi di parametri pubblicato.
Con il deployment, i pesi sono a disposizione degli sviluppatori
Il repository indica agli utenti di scaricare i pesi del modello e di renderlo disponibile tramite SGLang o vLLM. Le configurazioni di esempio impostano il parallelismo tensoriale a otto e includono parser per le chiamate agli strumenti e il formato del ragionamento di IQuest-Q1. Per l’integrazione con gli agenti, IQuest fornisce istruzioni per Claude Code e Codex CLI, comprese le versioni consigliate di ciascuno.
Il repository fornisce configurazioni per rendere disponibile il modello localmente, anziché descrivere un’API ospitata. Le istruzioni per l’integrazione con la CLI richiedono un gateway compatibile con la relativa interfaccia di chiamata degli strumenti, mentre l’esecuzione degli strumenti e l’estrazione del ragionamento dipendono da parser compatibili e da un’infrastruttura per agenti. Il modello accetta solo testo, senza input nativi di immagini, audio o video.
I punteggi dipendono dalla versione del benchmark
IQuest riporta un punteggio di 84,5 su CyberGym, 64,6 su DeepSWE v1.1 e 57,5 su SWE-Bench Pro. Il punteggio su Terminal-Bench 2.1 è 83,2, mentre la tabella indica 17,9 su Terminal-Bench 3.0 e 22,7 su Terminal-Bench 4.0. Questi risultati riguardano versioni diverse del benchmark e non vanno interpretati come una tendenza diretta rilevata su un test rimasto invariato.
I confronti mescolano inoltre punteggi riportati pubblicamente e risultati che IQuest afferma di aver ottenuto autonomamente; lo studio contrassegna i risultati dei propri test con asterischi. Per le attività di programmazione svolte da agenti, lo studio afferma che la valutazione usa Claude Code per la maggior parte dei benchmark e mini-SWE-agent per DeepSWE v1.1, con limiti di tempo di esecuzione specifici per ciascuna attività. Il punteggio sul benchmark interno IQuest-CLIBench di IQuest è 53,7, ma lo studio descrive questa valutazione come un proprio benchmark per l’interazione con la CLI e l’esperienza utente.
Secondo IQuest, la revisione umana resta necessaria
Il rapporto avverte che IQuest-Q1 può trascurare i vincoli, ripetere tentativi falliti o lasciare incompiute attività da riga di comando. Avverte inoltre che il codice e le spiegazioni generati possono essere errati e raccomanda di rivedere le modifiche o verificarle con test appropriati. Queste cautele contano per un modello progettato per agire attraverso strumenti e ambienti a riga di comando, dove una risposta plausibile non equivale a un risultato verificato.
Il rilascio di IQuest affianca ai pesi aperti istruzioni per l’integrazione, ma gli esempi pubblicati per rendere disponibile il modello usano un parallelismo tensoriale a otto vie e un uso affidabile degli strumenti dipende da un’infrastruttura compatibile. La tabella dei benchmark dello studio offre un’istantanea delle prestazioni, non una conferma indipendente; i limiti dichiarati da IQuest richiedono supervisione durante il lavoro effettivo con la CLI.