Китайский квантовый хедж-фонд Ubiquant (九坤投资) через свое исследовательское подразделение IQuest Research представил амбициозный проект — серию открытых LLM для разработчиков IQuest-Coder-V1.
Главная сенсация: флагманская модель с параметрами 40B набрала 81.4% в тесте SWE-bench Verified. Для контекста: это выше, чем у Claude 4.5 Sonnet (77.2%) и GPT-5.1 (76.3%). После успеха DeepSeek это уже второй серьезный игрок из мира китайского квантового трейдинга, который врывается в топ AI-разработки.
В чем секрет: обучение на «эволюции» кода
Вместо того чтобы просто скармливать модели статические снимки файлов (как это делает большинство), разработчики применили парадигму Code-Flow. Модель обучали на траекториях развития репозиториев — связках (R_old, P, R_new), где P — это патч (commit).
IQuest-Coder учится не просто тому, как выглядит код, а как он меняется. Причем для обучения выбирали «зрелую» фазу проектов (от 40% до 80% жизненного цикла), отсекая хаотичные ранние наброски и мелкие правки поддержки. Для нас, вайбкодеров, это означает, что модель лучше понимает контекст правок и намерение программиста при рефакторинге.
Архитектура Loop и «мышление»
Линейка включает модели на 7B, 14B и 40B в нескольких вариациях:
- LoopCoder: использует рекуррентную архитектуру Transformer, где блоки параметров используются повторно. Это позволяет увеличить «глубину» вычислений без раздувания веса модели.
- Thinking Path: версия, обученная через RL (обучение с подкреплением) для длинных цепочек рассуждений. В отчетах указано, что такие модели способны к автономному исправлению ошибок (error-recovery), чего почти не наблюдается у обычных Instruct-версий.
Что это дает вайбкодерам?
Если цифры подтвердятся в реальной работе, мы получим мощную open-source альтернативу топовым проприетарным моделям для использования в Cursor или Windsurf.
Особенно многообещающе выглядит работа с Agent Trajectory data — модель тренировали на логах выполнения команд и ответах терминала. Это делает её идеальным «движком» для AI-агентов, которые должны не просто писать текст, а итерировать код до рабочего состояния в реальной среде.
Модели уже доступны на GitHub и Hugging Face. Несмотря на то, что SWE-bench сфокусирован на Python, архитектурные решения IQuest-Coder могут задать новый стандарт для локальных кодинг-ассистентов.