Xing4.0-29B-Intent：中国电信星辰开源的意图解析专用大模型

一、Xing4.0-29B-Intent是什么

Xing4.0-29B-Intent是中电信人工智能星辰通用人工智能实验室（XingChen‑AGI，原TeleChat）推出、基于星辰Xing4.0-29B底座微调的开源意图识别与结构化参数抽取专用大模型，采用Apache-2.0协议开源，配套释放模型权重、275.3万条训练数据集、推理SDK与官方镜像。

它区别于传统只做分类判断的意图模型，主打意图分类+实体参数抽取一体化输出，接收用户自然语言指令，按照预设Schema约束直接输出标准JSON结果，给到下游中控、Agent、业务系统直接解析执行，省去额外文本解析步骤，适合低时延、高频的指令交互场景。

二、功能特色

1. 一体化语义解析：单模型同时完成意图判定、实体抽取、参数填充，一句话支持识别多个独立意图，支持区分需要修改、保持不变、否定禁止类指令，不会误绑定参数。

2. 强Schema约束输出：固定JSON输出格式，大幅降低大模型JSON幻觉、格式错乱问题，业务侧可以直接写解析逻辑。

3. 多语言、多领域覆盖：训练数据集覆盖19个业务领域、52种语言，兼顾中文指令和多语种理解，适配国内本地化场景。

4. 低延迟推理：端到端推理延迟低于150ms，适合语音交互、座舱、终端设备这类对响应速度敏感的场景。

5. 零样本冷启动能力：不需要大量行业标注样本，给定业务Schema即可直接上线使用，降低企业标注成本。

6. 全链路开源交付：权重、数据集、推理SDK全部开源，支持私有化部署、二次微调、场景适配。

三、技术细节

底座为Xing4.0-29B MoE架构，总参数29B，激活参数仅4B，推理算力开销更低，适配国产昇腾芯片集群训练与部署，兼容主流推理框架。

核心技术方案为USP统一模式驱动语义解析（Unified Schema‑driven Semantic Parsing），将意图分类、命名实体识别、关系抽取、事件抽取、口语语义理解统一到同一套结构化输出范式，统一训练目标，避免多模型串联带来的误差累积。

训练数据集Xing4.0‑29B‑Intent‑oss共275.3万条SFT样本，由61个公开数据集重构清洗而来，专门针对多意图、多参数、负向指令、多轮增量修改样本做增强。

官方评测指标：零样本Micro-F1=70.27，严格全匹配得分61；48个公开语义解析数据集综合Overall得分58，在多目标识别、负例防误报上优势明显。

四、应用场景

• 智能家居中控：解析多条设备控制指令，区分不同设备参数，识别“不动、保持原样”这类保留指令。

• 智能座舱：车窗、空调、座椅、多媒体等车载语音指令解析，批量抽取设备、目标数值参数。

• 企业工单与客服系统：用户咨询自动识别工单类型、提取手机号、地址、故障描述、诉求等工单字段。

• 个人AI Agent：闹钟、提醒、消息发送、日程创建，区分记录备忘和执行指令，避免误触发工具调用。

• 办公协同系统：会议创建、任务新增、字段局部修改，多轮对话里只更新用户提到的字段，其余信息自动保留。

五、使用方法

1. 环境准备：模型支持vLLM、SGLang、MindSpore等主流推理框架，可在昇腾、英伟达GPU环境部署；优先使用官方配套推理SDK快速接入。

2. Schema定义：开发者提前定义业务需要识别的意图类别、每个意图对应的参数字段、字段类型。

3. 输入构造：将Schema描述和用户自然语言指令拼接送入模型。

4. 推理输出：模型返回固定结构JSON，包含category意图标识、args参数字典，直接交给业务后端执行。

5. 二次微调（可选）：自有行业标注数据，可基于开源数据集继续微调，提升垂直领域准确率。

6. 集成到Agent：放在通用大模型上游，作为独立的意图解析模块，通用模型负责复杂规划，该模型负责高频指令结构化抽取，降低整体算力消耗。

六、竞品对比

选取Jev、GPT-4.1两个同赛道产品对比

七、常见问题解答

Q：Xing4.0-29B-Intent可以直接用来做聊天对话吗？

A：不适合，该模型是专用语义解析模型，设计目标是把自然语言转为结构化指令，没有对话闲聊、自由问答能力，聊天业务仍然需要搭配通用大模型使用。

Q：模型是否支持中文以外其他语言？

A：训练数据集覆盖52种语言，支持多语种意图解析，优先优化中文场景，小语种场景建议补充少量本地样本微调。

Q：部署最低需要什么硬件？

A：它基于29B MoE底座、仅激活4B参数推理，单张高性能GPU即可本地推理，昇腾910系列也可原生适配，低时延场景建议搭配vLLM等推理加速框架。

Q：数据集是否可以直接拿来训练自己的意图模型？

A：配套数据集Xing4.0‑29B‑Intent‑oss随项目开源，在Apache-2.0协议约束下，可以基于这份数据做二次训练、清洗、扩充。

Q：和普通NER实体识别模型差别在哪？

A：传统NER只抽取实体，无法关联意图和参数归属；Xing4.0-29B-Intent把意图、实体、参数绑定在一起，一句话多个设备、多个目标时，自动把参数分配到对应对象。

Q：JSON输出会不会经常格式报错？

A：训练阶段加入大量Schema约束样本，相比通用大模型JSON幻觉大幅降低，极端复杂语句下依然建议业务侧增加JSON格式校验和异常兜底逻辑。

八、相关链接

• GitHub项目地址：https://github.com/XingChen-AGI/Xing4.0-29B-Intent

• HuggingFace模型权重：https://huggingface.co/XingChen-AGI/Xing4.0-29B-Intent

• HuggingFace数据集：https://huggingface.co/datasets/XingChen-AGI/Xing4.0-29B-Intent-oss

• ModelScope魔搭模型：https://www.modelscope.cn/models/XingChen-AGI/Xing4.0-29B-Intent

• ModelScope魔搭数据集：https://www.modelscope.cn/datasets/XingChen-AGI/Xing4.0-29B-Intent-oss

• Modelers魔乐社区模型：https://modelers.cn/models/XingChen-AGI/Xing4.0-29B-Intent

九、总结

Xing4.0-29B-Intent是国内电信星辰实验室落地的生产级开源意图解析专用模型，依托MoE轻量化底座、百万级多领域标注数据，把意图识别与参数抽取合并为端到端任务，兼顾识别精度、推理速度与私有化部署能力，为智能家居、智能座舱、企业工单、AI Agent等业务提供低成本、可自主掌控的口语指令结构化方案，整套资产完全开源开放，开发者可以直接接入业务链路或者基于底座继续迭代适配垂直行业需求。