IQuest-Coder-V1 Technisch Rapport

Samenvatting

In dit rapport introduceren we de IQuest-Coder-V1-serie (7B/14B/40B/40B-Loop), een nieuwe familie van code-grote-taalmmodellen (LLM's). Voorbij de statische coderepresentaties stellen we het code-flow meerfasige-trainingsparadigma voor, dat de dynamische evolutie van softwarelogica vastlegt door verschillende fasen van de pijplijn. Onze modellen worden ontwikkeld via de evolutionaire pijplijn, beginnend met de initiële voortraining die bestaat uit codefeiten, repository- en voltooiingsgegevens. Daarna implementeren we een gespecialiseerde midden-trainingsfase die redeneer- en agenttrajecten integreert in 32k-context en repository-schaal in 128k-context om diepe logische fundamenten te smeden. De modellen worden vervolgens afgerond met natraining van gespecialiseerde codeercapaciteiten, die wordt gesplitst in twee gespecialiseerde paden: het denkpad (gebruikmakend van redeneringsgedreven RL) en het instructiepad (geoptimaliseerd voor algemene assistentie). IQuest-Coder-V1 behaalt state-of-the-art prestaties onder concurrerende modellen op kritieke dimensies van code-intelligentie: agent-gedreven software-engineering, competitief programmeren en complex toolgebruik. Om implementatiebeperkingen aan te pakken, introduceert de IQuest-Coder-V1-Loop-variant een recurrent mechanisme dat is ontworpen om de afweging tussen modelcapaciteit en implementatiefootprint te optimaliseren, en biedt zo een architectonisch verbeterd pad voor effectiviteit-efficiëntie-afweging. Wij zijn van mening dat de release van de IQuest-Coder-V1-serie, inclusief de complete white-box keten van checkpoints van voor-trainingsbasissen tot de uiteindelijke denk- en instructiemodellen, het onderzoek naar autonome code-intelligentie en real-world agentsystemen zal bevorderen.

English

In this report, we introduce the IQuest-Coder-V1 series-(7B/14B/40B/40B-Loop), a new family of code large language models (LLMs). Moving beyond static code representations, we propose the code-flow multi-stage training paradigm, which captures the dynamic evolution of software logic through different phases of the pipeline. Our models are developed through the evolutionary pipeline, starting with the initial pre-training consisting of code facts, repository, and completion data. Following that, we implement a specialized mid-training stage that integrates reasoning and agentic trajectories in 32k-context and repository-scale in 128k-context to forge deep logical foundations. The models are then finalized with post-training of specialized coding capabilities, which is bifurcated into two specialized paths: the thinking path (utilizing reasoning-driven RL) and the instruct path (optimized for general assistance). IQuest-Coder-V1 achieves state-of-the-art performance among competitive models across critical dimensions of code intelligence: agentic software engineering, competitive programming, and complex tool use. To address deployment constraints, the IQuest-Coder-V1-Loop variant introduces a recurrent mechanism designed to optimize the trade-off between model capacity and deployment footprint, offering an architecturally enhanced path for efficacy-efficiency trade-off. We believe the release of the IQuest-Coder-V1 series, including the complete white-box chain of checkpoints from pre-training bases to the final thinking and instruction models, will advance research in autonomous code intelligence and real-world agentic systems.