中电信开源Xing4.0-29B-Intent：意图理解“选择题+填空题”，29B模型把参数一并抽出来

中电信开源Xing4.0-29B-Intent：意图理解“选择题+填空题”，29B模型把参数一并抽出来

开源大模型又多了一种“小而不弱”的打法。10月19日，中电信星辰通用人工智能实验室把意图理解模型Xing4.0-29B-Intent开源了出来，而且不是只放个论文链接——权重、约275万条训练语料、推理SDK一股脑全给了，许可证还是Apache 2.0。几句判断先说在前面：其一，它的核心不是“更大”，而是“更会填表”——把意图理解从单纯的“选择题”（判断你想干嘛）扩展到“选择题+填空题”（连“哪盏灯、调多亮、哪盏别动”这种参数也一并抽出来）；其二，这是一次“发布即真开源”，权重和数据都已到手，和那些“先发模型、权重稍后”的玩法不同，开发者今天就能拉下来用；其三，它踩中了一个正在升温的行业话题：Jev这类“系统一模型”证明了意图理解未必非得千亿参数大模型硬想，Xing则在“只判断”的短板上补了“填参”；其四，所谓的“11组实测”是媒体拿接口做的场景化试用，不是标准化独立基准，读的时候别当成权威跑分。

什么叫意图理解里的“选择题+填空题”

先说清楚这个模型到底解决什么问题。意图理解这类任务，本质是“听懂一句话、并把它变成业务系统能用的结构化信息”。传统做法大多只做“选择题”：判断用户想干嘛（比如识别出“控制灯光”这个意图），然后交给下游去追问细节。Jev这类“系统一模型”把这个判断做得又快又准，但也留下一个缺口——识别出“调节灯光”之后，谁来把“哪盏灯、调到多少亮度、哪盏别动”交代清楚？Xing4.0-29B-Intent的做法是把两步合成一步：在识别意图（选择题）的同时，把完成操作所需的结构化参数（填空题）一并抽出来。技术上它走的是schema引导路线——开发者给定“类别+字段”定义（比如一个“调灯”意图下有哪些可填字段），模型按统一格式输出JSON，category字段放意图类型、args字段放具体参数。一句“把卧室灯调成暖黄”，它既给出“控制灯光”的意图，也给出“房间=卧室、设备=灯、状态=暖黄”这样的结构化结果，还能处理一句话里多个意图、多个参数、多个实体的情况。

图：一句话的“选择题+填空题”解析示意（以“把卧室灯调成暖黄”为例）

输入：把卧室灯调成暖黄
  ├─ 选择题（意图识别） → category=控制灯光
  └─ 填空题（参数抽取） → args={房间:卧室,设备:灯,状态:暖黄}
输出：结构化JSON，可直接喂给下游业务系统

说明：图示Xing4.0-29B-Intent的核心能力——在识别意图（选择题）的同时抽取结构化参数（填空题）。开发者通过给定schema（类别+字段）约束输出，模型以统一category+args格式返回JSON；该示意取自官方文档与媒体实测示例，真实字段由业务schema决定。

模型本身：29B MoE、4B激活，而且这次是真开源

看一眼底座。Xing4.0-29B-Intent基于中电信星辰语义大模型Xing4.0-29B-A4B（原TeleChat系列）训练，总参数量29B、激活参数约4B，属于MoE架构；原生支持256K上下文，可扩展到512K，4bit量化后能在单张消费级显卡（约15GB显存）上跑起来——这对想做私有化部署、边缘端应用的中小团队是个实在的门槛降低。更关键的是开源成色：模型权重、约275.3万条SFT训练语料（配套数据集Xing4.0-29B-Intent-oss，覆盖61个公开数据集、19个领域、52种语言）、推理代码与Python SDK（XingIntent SDK）全部以Apache 2.0放出，并且同步上架了GitHub、HuggingFace、魔搭、魔乐四个社区。换句话说，这不是“发布即画饼”，而是权重、数据、工具链一起到手，今天就能拉下来接进业务。

11组实测在测什么：统一Schema的价值

媒体围绕智能空间、智能座舱、办公协同、Personal Agent四个场景做了11组实测，重点看模型在复杂指令下能把意图识别和参数提取到什么程度。比如一句“把展厅东侧灯调到80%、色温4000K，西侧调到30%、2700K，入口灯别动”——识别出“调节灯光”只是第一步，真正考验是分清哪盏对应哪个亮度、哪种色温，以及哪盏必须保持原样。Xing4.0-29B-Intent的价值，在于把原本要针对不同业务分别开发的语义解析，收进一套相对统一的“类别+参数”框架：category表示意图或信息类型，args存放对应参数，工单场景里args可以是设备/故障/优先级/联系人，项目管理里可以是负责人/预算/交付时间，智能座舱里可以是设备名/开度/控制参数。不同场景参数各异，但都能用同一套结构组织，减少模型输出和下游接口之间的格式差异。需要说清的是，这11组是媒体拿接口做的场景化试用，方法透明、样本由其选定，不是标准化独立基准，读结论时别和权威跑分混为一谈。

为什么是“小模型+结构化抽取”这条路线

把视野拉远一点。这两年意图理解赛道有个明显转向：过去默认上超大模型“硬想”，现在越来越多人意识到，意图识别、参数抽取这类高频、低延迟、规则明确的任务，未必需要千亿参数大模型全程扛。Jev的出现把“决策层与生成层分离”推成了热门话题——它验证了一件事：意图判断这种活儿，专用小模型也能又快又准。但Jev留下的是“只判断不填参”的缺口，Xing4.0-29B-Intent正好补上这一块。对Agent落地来说，这恰恰是最磨人的部分：真实指令往往是“高频、开放、长尾”的，用户一句话里既要有意图，也要有参数，还要分清“该做的”和“不该动的”。把这类结构化信息稳定抽出来，Agent才接得住真实业务。需要说明的是，“小模型替代千亿模型做意图理解”目前是相关评测与文章的行业论点，不是定论，具体业务里该用多大模型，仍然取决于场景、延迟与成本的权衡。

诚实边界

几句话把口径摆正。其一，“11组实测”是媒体/实验室拿模型接口做的场景化试用，样本与场景由其选定，方法透明但非标准化独立基准，引用应注明“媒体实测”，不要和权威跑分混为一谈。其二，Jev现象与“小模型替代千亿模型做意图理解”是相关评测与文章的行业论点，不是定论，具体该用多大模型仍取决于场景、延迟与成本的权衡。其三，模型能力、数据规模、许可以GitHub、HuggingFace、魔搭、魔乐四个公开仓库为准，本文事实为2026年10月19日访问时点快照；消息原文以“TeleChat-USP”指代该开源仓库，公开可核对的仓库名是XingChen-AGI/Xing4.0-29B-Intent。其四，“发布即真开源”是相对那些“先发模型、权重稍后”的做法而言，权重与数据集确已放出，但模型效果仍需结合自身业务验证，且开源不等于无使用/合规成本。其五，本文仅做技术发布观察与口径澄清，不给任何一方选型或采购建议，是否采用由读者自行判断。

这意味着什么：开源模型的战场，从“拼参数”转向“拼能用”

把Xing4.0-29B-Intent放回今年的开源节奏里看。一边是大模型军备竞赛还在比参数、比基准，另一边像Jev、Xing这类专用模型在证明另一件事：很多落地任务并不需要“全能巨无霸”，一个方向明确、能把自然语言稳稳翻译成结构化字段的小模型，反而更便宜、更低延迟、更好私有化。中电信这次的价值，不只是又放出一个29B模型，而是把“意图理解+参数抽取”这套Agent落地最磨人的一环，连同权重、数据、SDK一起开源了出来——让中小团队也能以一张消费级显卡的门槛，搭起自己的语义解析能力。但提醒一句，“小模型替代千亿模型”目前仍是行业论点而非定论，Xing的真实上限要等社区在更多业务里跑出来的复现；至于它能不能成为Agent落地的标配，得看下游愿不愿意接受这套统一的“类别+参数”协议。