导读：一个编程模型，参数不到竞争对手的十分之一，却在多个权威基准测试中拿下SOTA成绩。这背后的团队不来自科技巨头，而是国内一家量化对冲基金。

AI编程模型圈又炸了。

这次不是OpenAI，不是Anthropic，而是一家来自中国的Quest Research团队，背后站着量化对冲基金巨头九坤（UBIQUANT）。他们刚发布的开源代码模型IQuest-Coder，参数规模只有40B，却在多项关键指标上超越了Claude Sonnet 4.5和GPT-5.1这些"庞然大物"。

听起来有点玄乎？但数据摆在那儿。IQuest-Coder在三个硬核基准测试上的成绩相当亮眼：

• SWE-Bench Verified：81.4%
• BigCodeBench：49.9%
• LiveCodeBench v6：81.1%

要知道，这个模型只有40B参数，而它对标的Claude Sonnet 4.5和GPT-5.1，参数规模至少是它的十倍以上。 更难得的是，它在代理式软件工程、竞技编程和复杂工具使用这几个维度上全面开花：不是偏科生，而是六边形战士。

IQuest-Coder的策略很有意思，它采用"双轨制"后训练方案，推出了两个方向的变体：

Thinking模型，走的是推理增强路线。它用基于强化学习的推理驱动方法，专啃硬骨头，复杂问题分解、步骤化思考，输出虽然长，但逻辑链完整，适合需要"想清楚再动手"的场景。

Instruct模型，则追求效率和通用性。它针对日常编程任务和指令遵循做了优化，响应快、资源占用低，适合当成"编程小助手"日常调用。

现在的代码模型，普遍面临长上下文这关不好过的问题。很多模型需要额外的扩展技术才能支持长文本，处理起来麻烦，效果还不稳定。

IQuest-Coder直接在架构层面解决了这个问题：全系列原生支持128K tokens上下文，不需要任何额外的Scaling技巧。这对于分析大型代码库、跨文件理解项目结构这类任务，相当实用。

另外，团队还捣鼓出了一个Loop变体。它在推理过程中引入了循环机制，用共享参数的方式在两次迭代间复用计算能力，愣是在保持性能的同时把部署成本压了下来。对于资源有限但又想要高性能的团队来说，这个设计很有吸引力。

目前，IQuest-Coder系列已经在Hugging Face上开源，包括7B、14B、40B三个规格，以及对应的Base、Instruct、Thinking和Loop版本。开发者可以直接下载使用，也可以通过vLLM部署成OpenAI兼容的API服务。

AI代码模型这个赛道，OpenAI和Anthropic固然是标杆，但并不意味着没有其他玩家的空间。Quest Research这次证明了一点：找准定位、差异化打法，小团队也能撬动大格局。

项目地址：https://github.com/IQuestLab/IQuest-Coder-V1