一句话看懂：据 alphaXiv 论文页面，IQuest-Q1 以 320B 总参数、15B 激活的开源稀疏 MoE 形态发布，主攻命令行智能体（CLI Agent），在 Terminal-Bench 2.1 上报告 83.2 分。它值得关注的地方不在分数领先，而在于把“智能体在真实终端环境里执行任务”作为训练主线。
事件核心：发生了什么
论文页面显示，该模型总参数 320B、每 token 激活 15B，采用稀疏 MoE 架构，并以开源形式发布。训练分三段：预训练阶段用 Stable SplitNorm、Muon、muP 配合两阶段课程，第二阶段提高代码数据比例；中训练阶段扩展数据领域与格式，并逐步拉长上下文；后训练阶段结合监督微调（SFT）、领域强化学习（RL）和多教师在线策略蒸馏（MOPD），再通过模型合并在不同专家与检查点之间取长补短。
作者强调命令行是文件、工具与代码执行的通用的接口，因此 CLI 智能体能力可能外溢到编程以外的任务。Terminal-Bench 2.1 覆盖容器内蛋白质组装、异步代码调试、安全漏洞等任务，材料给出的同条件面板中 Claude Opus 5 为 89.1、GLM-5.3-Flash 为 84.3、IQuest-Q1 为 83.2、DeepSeek-V4-Flash 为 82.7。需注意这是论文报告的条件化结果，不等于长期排名。
为什么重要
当前智能体的短板往往不是“答得出”，而是“做完并验证”。IQuest-Q1 把可执行、可验证环境中的任务反馈纳入后训练，并用 MOPD 把终端交互、多脚手架操作、长程编码与安全等专家信号汇总到一个学生模型里，这为开源模型补齐智能体工程能力提供了一条可复现的路线。同时，作者未做消融实验，无法把 83.2 分单独归因于 MOPD 或合并策略，目前公开信息仍以摘要和页面材料为限。
对用户/开发者/创作者的影响
开发者可获得一个开源权重底座，用于本地终端工具、自动化脚本和代码修复流程的二次开发，但需自行验证稳定性与工具兼容性，论文摘要不等于现成产品。企业若关注私有化部署与算力成本，320B 总参数、15B 激活的稀疏结构意味着推理时激活规模较小，但完整权重与显存需求仍需按实际部署方案核算。对普通用户而言，短期内更可能体现在面向开发者的 AI 应用和 API 产品中，而非直接消费级功能。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是权重、许可证与推理框架适配是否真正落地；二是不同脚手架和长时任务下的实测稳定性是否复现；三是竞品在同类终端基准上是否跟进，以及是否有后续消融实验说明各训练阶段的独立贡献。
来源：alphaXiv
