Xing4.0-29B-Intent – 中国电信星辰实验室开源的意图理解专用模型

Xing4.0-29B-Intent是中国电信星辰通用人工智能实验室于 2026 年 10 月开源的意图理解专用模型，基于 Xing4.0-29B-A4B 稀疏基座微调，把用户的口语指令解析成业务系统能直接处理的 JSON。它用「类别＋参数」的统一结构，把意图判断与参数抽取压进一次输出，结果被约束在预定义字段里，平均只生成几十个 token，适用于终端语音助手、客服工单路由与智能体的函数调用参数抽取。

Xing4.0-29B-Intent 的核心能力

这款模型只做一件事：把自然语言收敛成结构，不做长篇推理，单次输出按几十个 token 计。规模是 29B 总参数、每 token 激活约 4B。下面四类活都出自同一套规范。

四类任务，一套结果格式

官方把能做的活划成四类：判出这句话归到哪一类并填出相关参数、从文本里认出命名实体、指出两个实体之间是什么关系、抽出一条事件连同它的参与方与时间地点。四类的返回长一个样，都是类别名后面跟一组参数，不因为任务换了就换调用方式。换业务时改的是候选类别与字段清单，接口这一层不用重写。落到单据上时，同实验室的 TeleOCR 管纸面到文本那一段，这款管文本到字段那一段。

调模型前先交一份 Schema

调用前要给模型三样东西：候选类别有哪些、每一类是什么意思、这一类允许抽哪些字段。模型只在候选里挑，只在列出的字段里填，不会自己造类别名或字段名。官方配套的 XingIntentSDK 负责把这份定义拼成 prompt，并把返回结果解析回结构化对象。

意图和参数一次出来，多个排成数组

判类别与填参数在同一次调用里做完，不分两步走。返回体是 JSON 数组：一句指令里有几个意图、每个意图带几组参数实例，数组就给几项，按原文出现先后排。「明天从北京飞上海」这种句子，回来的是查航班这一类，加上出发地、目的地、日期三个值。

填不出东西时，参数给空数组

输出规范里写明了一条：某一类下一个参数都填不出来时，args 直接返回空数组，而不是硬凑一个值填进去。官方在类别评测里专门放了 839 道无可抽取内容的负例题，考的就是模型在没有目标内容时会不会误报类别。

配套 SDK 管拼装与同步异步调用

仓库附带 XingIntentSDK，管 Schema 定义、prompt 组装、多轮对话输入，同步与异步两种调用方式都支持，返回值已经解析好，省掉自己写一层解析。取出结果按 category 与 args 两个键读，与模型原始输出一一对应。

Xing4.0-29B-Intent 与 Jev、通用大模型的对比

两张表来自官方公告的两份独立评测，题集和参评方都不同，分数不能跨表对着看。第一组从 48 个中英文公开数据集抽 6000 道题，既看类别判对、也看内容取对，18 款通用模型参评；第二组 5606 道题只判类别，含 839 道负例题。Jev 只进第二组——官方能力对照里它的 Function Call 参数抽取、信息抽取 / NER / 事件抽取都标不支持，做不了填空题就不参加抽取评测。站内 Jev、GPT-6-Luna 与 Gemini-3.6-Flash 三个页面各有定位与能力介绍。

第一组评测看完整抽取能力，18 款通用模型参评，下表取榜首、次席与 GPT-6-Luna 三款对照：

第二组只看类别判断、不评抽取，5606 道题里含 839 道负例题，Jev 的两种答法分两行列出：

四个子项里，多选题得分与负例识别得分的前排贴得最近：多选 68 对 64 与 63，负例 70 对 64，四到六分的距离；单选题得分上 65 对 60 只差 5 分。总决策分的差异全落在 Jev 那两行，56 与 53 都没摸到 70。同一套权重换个判法，多选从 41 抬到 64，单选从 60 掉到 24、负例从 35 掉到 5，强项短板整个对调。负例那一格最能说明代价：5 分意味着没有内容时也硬凑一个类别出来。

延迟这一格方向相反：官方能力对照标 Jev 小于 100ms、Xing4.0-29B-Intent 小于 200ms，Jev 更快。这两个数是产品标称值，与上面两张评测表不同源，不能和分数摆在一起加减。

端侧决策这条线上还有更轻的一支：APUS-OpenJev-v1 把同一类思路压到手机能带得动的参数规模。

Xing4.0-29B-Intent 的应用场景与适用人群

模型已经落进中国电信的线上业务：万号客服系统里承担对话意图识别与工单智能路由，智能家居音箱等终端上把口语指令翻成设备能处理的结构。官方把适用面收在「响应要快、场景收敛、决策明确」的地方，典型场景包括：

• 终端交互：手机语音助手、智能座舱与 IoT 中控，既要判意图又要抽参数，嫌大模型慢且贵的位置。
• ToB 客服与企业 IM 机器人：业务冷启动阶段标注数据不够，不愿为每个新意图单独标一批样本的团队。
• Agent 与函数调用：需要一个稳定、低幻觉的语义入口层，把自然语言先钉成结构化参数再交给执行器。
• 单据与文本结构化：合同、工单、报文的字段抽取，与同实验室的文档解析模型接起来就是一条完整流水线。

适用人群：做终端语音链路的团队、要给客服系统上智能路由的产品方、在搭 Agent 工具调用层的工程团队，以及手上有一批自家业务数据、想按自家 Schema 微调的场景方；如果诉求是纯粹比较几家决策模型的差异，站内Startlux-Decision 这一篇把家族谱系列得更全。

Xing4.0-29B-Intent 的使用方法

官方给了两条路径：调天翼AI开放平台的托管接口，或自己部署权重再用 SDK 调用。

调托管接口：不装环境，兼容 OpenAI 协议

1. 在开放平台取 API Key，向 https://api-maas.teleai.com.cn/v1/chat/completions 发 POST，请求头带 Bearer 密钥，模型名填 Xing4.0-29B-Intent。
2. 请求体按 OpenAI 协议组织，原有 OpenAI SDK 与调用代码不用另学一套格式。

自己部署：vLLM 或 SGLang 起服务，再用 SDK 调用

1. 先按基座 Xing4.0-29B-A4B 的服务化说明用 vLLM 或 SGLang 起服务，把模型路径换成 Intent 权重，--served-model-name 设为 Xing4.0-29B-Intent。
2. 装 SDK：进仓库的 XingIntentSDK 目录执行 pip install -e .，用 IntentClient 指定 base_url 与模型名。
3. 定义意图再调用：用 Intent 写类目与描述、用 Arg 列字段，client.predict 传文本即回类别与参数。
4. 多类目、多参数实例时遍历 result.intents 取完整结构。

多轮对话、异步调用、从文件加载 Schema 与约束解码的写法在 SDK 文档里，权重与数据集分别在 Hugging Face、魔搭与魔乐同步开放，仓库地址与许可全文见 Xing4.0-29B-Intent 官方仓库。评测由官方技术团队自测，换到自家业务数据上仍需按目标 Schema 复测。

Xing4.0-29B-Intent 的项目地址

• 天翼AI开放平台接口文档：https://www.teleai.com.cn/doc/1MBaE2xId9JYYxLXUz2R/3jUbsGzfAj0Qe4A38Y0s
• GitHub 仓库：https://github.com/XingChen-AGI/Xing4.0-29B-Intent

Xing4.0-29B-Intent 的价格与开源情况

权重与语料免费：模型权重、公开数据与代码（含 Python SDK）统一采用 Apache-2.0，下载、修改与商用都不需要付费或单独授权，也没有调用量限制。同步开源的语料约 275.3 万条，重构自 61 个公开数据集，覆盖 19 个领域、52 种语言，另含智能设备助手的标注体系，口径是 170 多个意图与 148 个槽位，可直接当新项目的初始 Schema。成本落在部署侧，29B 总参数、4B 激活的体量比通用旗舰低一个档，但显存与并行配置仍需按自建环境调。

接口按平台计费：天翼AI开放平台提供兼容 OpenAI 协议的托管接口，调用单价与额度以该平台控制台公示为准。对高频场景来说，专用模型省下的不只是单价——官方强调它平均只生成几十个 token，同样的调用次数里输出侧开销明显低于通用模型。

Xing4.0-29B-Intent 的常见问题