在本报告中，我们推出了 IQuest-Coder-V1 系列（7B/14B/40B/40B-Loop）——一套全新的代码大语言模型（LLMs）家族。与传统的静态代码表征不同，我们提出了一种基于代码流的多阶段训练范式，通过流水线中不同阶段动态捕捉软件逻辑的演化过程。我们的模型通过一条演进式训练流水线构建而成：首先进行初始预训练，涵盖代码事实、代码仓库及代码补全数据；随后引入一个专门的中段训练阶段，在32K上下文长度下融合推理与智能体轨迹，在128K上下文长度下实现仓库级规模的建模，从而构建深层的逻辑基础；最后通过后训练阶段进一步强化特定编码能力，该阶段分为两条专业化路径：思维路径（基于推理驱动的强化学习）与指令路径（优化于通用辅助任务）。IQuest-Coder-V1 在代码智能的关键维度上均展现出当前领先水平，涵盖智能体式软件工程、竞赛编程以及复杂工具使用等场景。为应对实际部署中的资源约束，IQuest-Coder-V1-Loop 变体引入了一种循环机制，旨在优化模型容量与部署开销之间的权衡，提供一种架构层面增强的高效能-高效率平衡路径。我们相信，IQuest-Coder-V1 系列的发布——包括从预训练基础模型到最终思维模型与指令模型的完整白盒检查点链——将显著推动自主代码智能与真实世界智能体系统的研究进展。