1 月 1 日 至知创新研究院（IQuest Research）发布全新一代开源代码大模型 IQuest-Coder-V1 系列 。当时宣传性能强劲，在自主性软件工程、竞赛编程等关键维度上，成为了当下开源模型 SOTA。当时的介绍在这里：
九坤投资创始团队成立至知创新研究院，发布开源国产代码大模型 IQuest-Coder-V1，声称开源模型 SOTA，只需 40B 就能秒杀部份闭源模型 - 前沿快讯 - LINUX DO

很快有社区用户（@xeophon）发现在 SWE-bench 测试中，官方配置有无，模型输出中错误引用了 未来日期的 Git commit，相当于考试直接看到答案，大概 24% 的内容都受到了影响，此次测试无效。

好在官方态度比较积极，修复问题后进行了重新评估：

这就是原帖楼下那位发现官方修改评分表现的原因。

之后@HaohaoHenr56041对 Loop-Instruct 版模型做了部署，他的评价是：

・前端设计：与 M2.1 或 GLM4.7 等最新型号相比，差距显著。

・速度：极其缓慢。在两台 A100 80G 处理器上，处理速度仅约为 15 t/s（批处理大小为 1）。

随后 Uncheatable Eval LLM Compression Leaderboard 榜单更新了 base 版模型的评分，可以看到其能力和 Qwen3-14B 相当

（分数越低越好，图源，也是文章资料来源）

需要注意，这里测评的是 base 版模型，而不是得分最高的 loop 版本。

2025 年跨年之际，国内量化私募巨头九坤投资（Ubiquant）创始团队发起的 AI 研究机构 —— 至知研究院（IQuest Research）正式发布其首代开源代码大模型系列 IQuest-Coder-V1。该系列模型在多项权威编程评测中表现强劲，尤其在反映真实软件工程能力的 SWE-bench 指标上，以 81.4% 的成绩刷新了开源模型纪录。

至知研究院由九坤投资创始团队设立，是一个独立于量化交易业务的研究平台。继幻方量化旗下的 DeepSeek 在全球 AI 领域声名鹊起后，九坤背景的至知研究院此番动作被市场视为量化圈在 AGI 领域的又一次 “降维打击”。至知研究院表示，其目标是致力于原创性 AI 技术研究，加速 AI 在垂直领域的工业化落地。

技术突破：从 “静态代码” 到 “动态流”
IQuest-Coder-V1 放弃了传统的静态代码训练模式，转而采用创新的 Code-Flow 训练范式。该模型通过学习代码库的历史演变和 Commit 记录，掌握了软件开发的动态逻辑。此外，研究院同步推出了 “Thinking” 推理模型 与 “Loop” 循环架构 模型，前者通过强化学习模拟人类程序员的思考过程，后者则在有限的参数规模下实现了性能的跨越式提升。

目前，IQuest-Coder-V1 已在 GitHub 和 Hugging Face 平台全面开源，涵盖从 7B 到 40B 不同参数规模的版本。技术社区普遍认为，IQuest-Coder-V1 的发布将直接挑战 DeepSeek-Coder 在开源代码界的统治地位，为开发者提供更具竞争力的自主编程助手。

介绍页 demo

模型仓库

1 月 1 日消息，至知创新研究院（IQuest Research）发布全新一代开源代码大模型 IQuest-Coder-V1 系列。据介绍，模型在自主性软件工程、竞赛编程等关键维度上，成为了当下开源模型 SOTA。据悉，至知研究院当前在医疗、LLM、数学、生物、电力等多个方向展开研究和布局，未来还将携手业界开展面向实际场景的技术研发与投资合作，加快技术成果的产业化进程。

据了解，至知创新研究院由九坤投资创始团队发起设立，是独立于量化投研体系的全新平台。至知研究院网页显示，其定位为一个加速 AI 应用落地的研究型组织，致力于为前沿 AI 技术研究做出原创性贡献，加速 AI 在更多垂直领域的应用。

• 最先进的性能：在 SWE-Bench Verified（81.4%）、BigCodeBench（49.9%）、LiveCodeBench v6（81.1%）及其他主要编程基准测试中取得领先成绩，在代理式软件工程、竞技编程以及复杂工具使用方面均超越同类模型。
• Code-Flow 训练范式：超越静态代码表示，我们的模型从代码库的演化模式、提交变更和动态代码转换中学习，以理解真实世界的软件开发流程。
• 双重专业化路径：后训练被分为两条专门化路径 ——Thinking 型（采用以推理为驱动的强化学习，擅长复杂问题求解）和 Instruct 型（为通用编码助手与指令遵循优化）。
• 高效架构：IQuest-Coder-V1-Loop 变体引入循环机制，优化模型容量与部署开销之间的权衡。
• 原生长上下文：所有模型原生支持最多 128K Token 的上下文，无需额外的扩展技术。
  
  
  
  
  

限制

• 推理与效率的权衡：Thinking 型模型具备更强的推理能力，但通常生成较长的响应；Instruct 型模型在处理简单任务时更加高效。
• 代码执行：模型可以生成代码，但不会执行代码；务必在沙箱环境中验证输出。
• 领域特异性：尽管模型在多样化代码库上训练，但在高度专业化或专有框架上的表现可能有所不同。
• 事实性：模型可能生成看似合理但不正确的代码；对关键实现进行彻底验证。

Source: 九坤创始团队成立至知创新研究院 开源模型发布_网易科技

仅 40B 大小 SWE 居然超 80%，不知道是不是拟合的跑分怪