Видео недоступно для предпросмотра
Смотреть в Telegram
Китайский IQ Quest Coder v1: Убийца GPT-5.1 и новая архитектура Loop Coder
Видео переносит нас в 2026 год (судя по вступлению), где Китай выпускает мощную open-source модель для работы с кодом. IQ Quest Coder v1 позиционируется не как «умный автокомплит», а как полноценный инженерный агент, способный решать реальные issues на GitHub, запускать инструменты и дебажить целые репозитории. В бенчмарках новинка обходит GPT-5.1 и Claude Sonnet 4.5.
Ключевые моменты:
• Модель доступна в размерах 7B, 14B и 40B (флагман).
• Используется архитектура Loop Coder — повторное использование блоков трансформера вместо наращивания слоёв.
• Обучение строится не на статичном коде, а на его эволюции: коммитах, патчах и багфиксах.
Как это работает: Code Flow и Loop Architecture
Главная фишка модели — подход к обучению. Вместо того чтобы просто скармливать модели терабайты готового кода, разработчики внедрили пайплайн Code Flow. Модель учится на истории изменений: она видит, как код менялся во времени, как исправлялись ошибки и как патчи влияли на прохождение тестов.
Пайплайн состоит из трех этапов:
1. Пре-трейнинг на огромном массиве текста и кода.
2. Мид-трейнинг с контекстом до 128k токенов (reasoning data, работа с полными репозиториями).
3. Пост-трейнинг, где модель разделяется на две ветки: Instruct (ассистент) и Thinking (с использованием RL для глубокого рассуждения).
Технически интересна архитектура Loop Coder. В обычных моделях (Dense Former) для улучшения качества нужно добавлять слои, что раздувает VRAM и усложняет деплой. Здесь же модель «зацикливает» проход через одни и те же блоки трансформера.
Это дает несколько преимуществ:
• Снижение нагрузки на пропускную способность памяти (меньше пересылок данных между HBM и вычислительными юнитами).
• Глубина рассуждений достигается за счёт итераций, а не количества параметров.
• Эффективное масштабирование во времени — модель может думать дольше над сложной задачей без увеличения размера самого файла весов.
В бенчмарке SWE-bench Verified (реальные задачи с GitHub) IQC набирает 81.4%, обгоняя топовых конкурентов. Тесты показывают, что версия Thinking (с RL) значительно сильнее обычной, особенно в задачах, требующих планирования.
В демо модель показала способность создавать сложные симуляции с нуля: песочницу с физикой частиц (песок, вода, кислота), алгоритм стайного поведения (Boids) и полноценную 3D-модель Солнечной системы с управлением камерой. Это подтверждает, что IQ Quest Coder понимает, как управлять стейтом приложения и связывать фронтенд с бэкендом.
Практический вывод: Индустрия движется от генерации сниппетов к автономным агентам. Если вам нужен инструмент для сложных рефакторингов или закрытия GitHub-issues в автономном режиме, стоит следить за релизом весов этой модели (особенно версии 40B Thinking).
UniverseofAIz
Переводы видео, саммари новостей про AI
Видео переносит нас в 2026 год (судя по вступлению), где Китай выпускает мощную open-source модель для работы с кодом. IQ Quest Coder v1 позиционируется не как «умный автокомплит», а как полноценный инженерный агент, способный решать реальные issues на GitHub, запускать инструменты и дебажить целые репозитории. В бенчмарках новинка обходит GPT-5.1 и Claude Sonnet 4.5.
Ключевые моменты:
• Модель доступна в размерах 7B, 14B и 40B (флагман).
• Используется архитектура Loop Coder — повторное использование блоков трансформера вместо наращивания слоёв.
• Обучение строится не на статичном коде, а на его эволюции: коммитах, патчах и багфиксах.
Как это работает: Code Flow и Loop Architecture
Главная фишка модели — подход к обучению. Вместо того чтобы просто скармливать модели терабайты готового кода, разработчики внедрили пайплайн Code Flow. Модель учится на истории изменений: она видит, как код менялся во времени, как исправлялись ошибки и как патчи влияли на прохождение тестов.
Пайплайн состоит из трех этапов:
1. Пре-трейнинг на огромном массиве текста и кода.
2. Мид-трейнинг с контекстом до 128k токенов (reasoning data, работа с полными репозиториями).
3. Пост-трейнинг, где модель разделяется на две ветки: Instruct (ассистент) и Thinking (с использованием RL для глубокого рассуждения).
Технически интересна архитектура Loop Coder. В обычных моделях (Dense Former) для улучшения качества нужно добавлять слои, что раздувает VRAM и усложняет деплой. Здесь же модель «зацикливает» проход через одни и те же блоки трансформера.
Это дает несколько преимуществ:
• Снижение нагрузки на пропускную способность памяти (меньше пересылок данных между HBM и вычислительными юнитами).
• Глубина рассуждений достигается за счёт итераций, а не количества параметров.
• Эффективное масштабирование во времени — модель может думать дольше над сложной задачей без увеличения размера самого файла весов.
В бенчмарке SWE-bench Verified (реальные задачи с GitHub) IQC набирает 81.4%, обгоняя топовых конкурентов. Тесты показывают, что версия Thinking (с RL) значительно сильнее обычной, особенно в задачах, требующих планирования.
В демо модель показала способность создавать сложные симуляции с нуля: песочницу с физикой частиц (песок, вода, кислота), алгоритм стайного поведения (Boids) и полноценную 3D-модель Солнечной системы с управлением камерой. Это подтверждает, что IQ Quest Coder понимает, как управлять стейтом приложения и связывать фронтенд с бэкендом.
Практический вывод: Индустрия движется от генерации сниппетов к автономным агентам. Если вам нужен инструмент для сложных рефакторингов или закрытия GitHub-issues в автономном режиме, стоит следить за релизом весов этой модели (особенно версии 40B Thinking).
UniverseofAIz
Переводы видео, саммари новостей про AI