1. 首頁 > 生活百科 > >

又是量化基金，第二個DeepSeek時刻到來了？

SpaceX火箭商業航天

又是量化基金，第二個DeepSeek時刻到來了？

文章圖片

又是量化基金，第二個DeepSeek時刻到來了？

文章圖片



九坤投資旗下的至知創新研究院發布了開源編程Agent模型IQuest-Coder-V1 。 至知研究院在AI領域名氣不大 ， 但這個模型的benchmark數據直接對標了行業頂尖水平 。
母公司是量化私募 ， 發布時間是1月 ， 這兩個特征組合在一起 ， 很容易讓人想起去年同期的DeepSeek R1 。
事實上 ， 去年DeepSeek R1發布的時候也是相同的情況 ， 一個知名度不高的公司 ， 發布了一個行業頂尖的模型 。
那么IQuest-Coder-V1會是下一個“DeepSeek時刻”嗎？
暫時還不好下結論 。
根據JetBrains的《2025 開發者生態系統現狀報告》 ， 全球85%的開發者已經在使用AI工具 ， 全球41%的代碼由AI生成 ， 但這些工具大多停留在輔助層面 。
從OpenAI到Anthropic ， 各家在2025年底密集推出的agent產品 ， 都將代碼作為突破口 。
所以至少可以肯定 ， 編程Agent就是下一個風口 。
01
IQuest-Coder-V1不是一個簡單的代碼補全工具 ， 而是一個能夠自主完成軟件工程全流程的代碼大語言模型 。
過去的AI編程助手的作用是自動補全 ， 你寫一半代碼 ， 它幫你接下去 。 而IQuest-Coder-V1則是能夠從零開始理解需求、設計架構、編寫代碼、測試調試 ， 甚至進行多輪迭代優化 。
IQuest-Coder-V1有三個很關鍵的技術點 。
第一是40B的參數規模 。 相比GPT-5和Gemini 3等動輒數千億參數的模型 ， 40B只是它們的幾十分之一左右 。
也就是說 ， IQuest-Coder-V1可以在性能稍好的消費級硬件上運行 ， 而不需要專業的數據中心級別算力 。
第二個特點是Loop架構 。
這個名字很直白 ， 模型會循環迭代自己的輸出 。 就像程序員寫完代碼會回過頭檢查、修改、重構一樣 ， Loop架構讓模型在生成代碼后能夠反思和改進 。
但Loop架構不是簡單的多次調用 ， 而是將迭代優化的過程內化到模型架構中 。 簡單概括就是IQuest-Coder-V1會超額完成任務 ， 以確保最終輸出的結果覆蓋用戶的需求 。
Loop版本讓模型“走兩遍”相同的神經網絡 ， 就像你讀文章時會回頭重讀關鍵段落 ， 第二遍往往能發現第一遍沒注意到的問題 。
第三個特點是code-flow訓練范式 。
傳統的代碼模型學習的是代碼片段 ， 學習的是靜態的語法和API調用模式 。 用大白話來解釋 ， AI可以完美復刻它所學習的代碼 ， 卻不理解為什么要這么寫 。
但IQuest-Coder-V1學習的是軟件如何一步步演化出來的 ， 學習的是動態的邏輯演進 。 這讓模型不僅理解“這段代碼是什么” ， 還理解“這段代碼為什么這樣寫”、“下一步應該怎么改” 。
IQuest-Coder-V1使用32k高質量軌跡數據進行強化學習訓練 ， 這些軌跡通過multi-agent role-playing自動生成 。
系統會模擬用戶、Agent、Server三方交互 ， 用戶提出需求 ， Agent編寫代碼 ， Server返回執行結果 ， 整個過程無需人工標注 。 訓練目標不是單次代碼生成 ， 而是完整的軟件演化過程 。
這些技術設計在benchmark上得到了驗證 。 在SWE-Bench Verified這個衡量真實軟件工程能力的測試中 ， IQuest-Coder-V1達到了81.4%的準確率 ， 超過了Claude Sonnet 4.5的77.2% 。 在LiveCodeBench v6上的表現是81.1% ， 在BigCodeBench上是49.9% 。

IQuest-Coder-V1來自九坤投資創始團隊發起設立的至知創新研究院 。 這個研究院獨立于九坤的量化投研體系 ， 其職能是研究多個AI應用方向 。
九坤投資本身是中國最早一批量化私募之一 ， 成立于2012年 ， 目前管理規模超過600億人民幣 ， 和明汯、幻方、靈均并稱量化“四大天王” 。
創始人王琛擁有清華大學數學物理學士和計算機博士學位 ， 師從圖靈獎唯一華人得主姚期智院士 。 聯合創始人姚齊聰是北京大學數學學士、金融數學碩士 。
兩人都來自華爾街頂級對沖基金千禧年(Millennium) ， 2010年看準中國股指期貨上市的機遇回國創業 。
九坤從2020年開始建設名為\"北溟\"的超算集群 ， 內部設有AI Lab、Data Lab和水滴實驗室 。
這些基礎設施原本服務于量化投資業務 ， 現在也為大模型研發提供了算力支持 。
量化機構擁有大規模算力集群和數據處理能力 ， 這與大模型訓練的資源需求相匹配 。 同時在人才結構上 ， 量化投資和AI研究都需要數學、計算機背景的研究人員 ， 這使得量化機構進入大模型領域時有一定的基礎 。
從量化投資到開源大模型 ， 這條路徑并不突兀 。
量化機構本身就擁有大規模算力集群和海量數據處理能力 ， 這與大模型訓練的需求高度契合 。 更重要的是 ， 量化投資和AI研究在人才結構上有很大重疊 ， 都需要數學、計算機、物理背景的研究型人才 。
【又是量化基金，第二個DeepSeek時刻到來了？】因此從發展角度看 ， IQuest-Coder-V1更像是九坤在AI方面的自然延伸 ， 并非簡單跟風 。
02
但不可否認的是 ， IQuest和DeepSeek ， 兩者有著驚人的相似性 。
它們都來自中國量化基金 ， 都展示了在資源受限情況下通過工程創新實現技術突破的能力 。 但仔細觀察會發現 ， 兩者選擇了完全相反的方向 。
DeepSeek追求的是“廣度” 。 從DeepSeek-V3到R1 ， 梁文鋒團隊的目標是打造通用對話能力 ， 要做中國的GPT 。
它要回答各種領域的問題 ， 要能寫詩、講故事、分析時事、解決數學題 。 這是一個橫向擴張的路徑 ， 覆蓋盡可能多的應用場景 。
IQuest-Coder-V1追求的是“精度” 。 它專注在代碼這個垂直領域 ， 在SWE-Bench這樣的專業測試上做到極致 。 它不關心能不能寫詩 ， 只關心能不能像真正的程序員一樣理解需求、設計系統、解決bug 。
有意思的是 ， 就在IQuest-Coder-V1發布的同一天 ， DeepSeek團隊也有新動作 。
包括創始人梁文鋒在內的19位研究者發布了關于mHC(manifold-constrained hyperconnection ， 流形約束超連接)架構的論文 。 這篇論文解決的是超連接網絡在大規模訓練中的不穩定性問題 。
雖然DeepSeek團隊在研究工作上保持一定的更新頻率 ， 然而在產品方面 ， 他們卻顯得有些落后 ， 至今仍然沒有拿出R2和V4 。

2025年 ， AI領域的競爭焦點是對話能力和推理能力 ， 各家比的是誰能更好地回答問題 ， 誰的推理過程更清晰 。 到了2026年 ， 這個焦點已經轉向Agent能力 ， 比的是AI能否自主完成復雜的多步驟任務 。
Agent能力的核心是“執行” ， 而不僅僅是“理解”和“回答” 。
就拿代碼舉例 ， 一個對話型AI可以告訴你如何修復代碼中的bug ， 但Agent能直接幫你改好代碼、運行測試、提交修改 。 這是完全不同的能力層級 。
DeepSeek團隊在研究層面確實很活躍 ， 不斷發表論文推進底層技術 。 可一旦落實到產品就會發現 ， DeepSeek仍然主要是一個對話型AI 。 用戶提問 ， 它給答案 ， 這是它的主要使用場景 。
DeepSeek目前還沒有推出真正的Agent產品 ， 沒有像IQuest-Coder那樣能自主完成整個軟件開發流程的能力 。
誠然 ， DeepSeek在Alpha Arena這樣的AI炒幣/炒股比賽中表現很亮眼 ， 證明了量化基金訓練出的模型“真的懂市場” ， 能讀懂K線、解析新聞、做出交易決策 。
而量化投資的本質是用算法理解市場規律 ， 尋找價格波動中的模式 。 進一步說明DeepSeek具有“理解復雜系統”的能力 。
但需要指出的是 ， 即使在金融市場表現出色 ， 這種能力仍停留在“理解”和“分析”層面 。 DeepSeek可以分析市場、給出建議 ， 但它作為產品還沒有發展出完整的自主交易能力 。
從炒股到寫代碼 ， 幻方和九坤的AI都在展示同一種傾向 ， 就是更強的執行導向 。 這或許能解釋為什么量化基金能在AI領域做出成果 ， 因為他們的基因就是“讓算法自主決策” ， 而不是“讓算法回答問題” 。
現在關于AI的競爭不只是比誰的論文更多 ， 更重要的是落地 ， 是誰能把技術轉化成用戶可以直接使用的工具 。
市場已經等了太久 ， 梁文鋒該發新產品了 。
03
IQuest-Coder-V1對標的是Claude Opus 4.5 。 這個定位很明確 ， 81.4%對80.9%的benchmark數據也確實亮眼 。
再加上Anthropic對華態度的強硬 ， 也讓人們對Quest-Coder-V1投入了更多的希望 。 但“取代Claude Opus 4.5”這個問題需要更冷靜的分析 。
Claude Opus 4.5的優勢不只在模型能力 ， 更在于完整的產品生態 。 它有原生的VS Code擴展 ， 有Claude Code這樣面向終端的交互式開發工具 ， 支持MCP協議的工具生態 ， 有企業級的安全合規標準 ， 還有無數真實項目打磨出的用戶體驗 。 這些都不是一個剛發布的模型能夠在短期內復制的 。
更重要的是用戶習慣 。 Claude發布得早 ， 程序員群體已經習慣了它的“工作方式” ， 知道什么時候該信任它 ， 什么時候該介入 ， 如何高效協作 。

這種使用習慣的養成需要時間 ， 需要在無數次試錯中建立起來 。 一個新模型即使benchmark數據更好 ， 也需要相當長的時間來培養用戶信任 。
benchmark和實際應用之間確實存在差距 。
雖說SWE-Bench Verified測試的是在真實代碼倉庫中解決issue的能力 ， 這比簡單的代碼補全要復雜得多 。 然而即使在這樣的測試中表現出色 ， 也不等于在日常開發中就能無縫替代人類程序員 。
實際工作中的需求往往是模糊的 ， 在產品經理與開發者的溝通過程中 ， 需求往往會改變很多 ， 而這些都是benchmark上沒有的 。
不過IQuest-Coder-V1的機遇在于另一些維度 。 它是開源的 ， 這意味著企業可以自己部署 ， 可以根據需要調整和優化 ， 不需要擔心數據被第三方服務商獲取 。 對于金融、醫療、國防等對數據安全有嚴格要求的行業 ， 這是實實在在的價值 。
這種開源代碼大模型的體驗 ， 完全區別于Claude用戶 。 Claude的用戶更多是習慣了云服務、愿意為便利性付費、對數據隱私沒有極端要求的開發者 。 IQuest-Coder-V1的潛在用戶應該是需要數據自主可控的企業、想要深度定制的技術團隊、或者就是喜歡折騰開源工具的開發者 。
就比如做像九坤和幻方這樣做量化的 ， 他們的算法就是企業的命脈 ， 不可能上傳到公有云 。
當然 ， 開源也有開源的問題 。 沒有專門的產品團隊來打磨用戶體驗 ， 沒有客服來解決使用中的問題 ， 遇到bug只能自己想辦法或者等社區修復 。 這些都是開源模型相比商業產品的劣勢 。
有一種觀點認為 ， 像是IQuest-Coder-V1這樣帶有一定agent功能的代碼大模型 ， 可能是通向通用agent以及AGI的第一步 。
這個觀點的邏輯在于 ， 代碼是結構化的、邏輯清晰的任務 ， 相比其他開放性任務更容易驗證對錯 。 測試通過與否 ， 這種二元反饋為agent提供了明確的學習信號 。
更重要的是 ， 編程任務本身需要的能力是通用agent所需的核心能力 。
從SWE-Bench這樣的benchmark來看 ， 它測試的不只是代碼生成 ， 而是理解需求、規劃步驟、調試錯誤、迭代改進等能力 。 這個過程和解決其他復雜任務的模式是相通的 。
代碼環境提供了一個相對可控的訓練場 ， 一旦在這里證明了它的Agent能力 ， 擴展到其他領域的技術路徑就會更清晰 。
所以 ， 九坤可能也在下一盤大棋 。

    推薦閱讀