中国电信开源星辰意图理解模型Xing4.0-29B

中国电信人工智能科技有限公司星辰通用人工智能实验室正式发布并开源意图理解专用模型 Xing4.0-29B-Intent，同步开放了 275 万条训练语料、模型权重以及推理镜像。

该模型致力于将自然语言的意图识别与参数抽取深度结合，把用户的一句话实时转换为业务系统可直接处理的结构化信息。目前，该模型能力已在电信万号客服系统、智能家居音箱等终端产品落地，用于处理对话意图识别、工单智能路由及口语指令解析。

既做选择题，也做填空题

以“帮我把卧室的灯调成暖黄”这类设备操作指令为例，系统不仅需要判断出用户的目标是“控制灯光”，还需要提取出对应的参数：哪个房间（卧室）、什么设备（灯）、调成何种状态（暖黄）。

以往的轻量决策模型多偏向“做选择题”，仅输出分类决策；而参数抽取则相当于“做填空题”，负责锁定完成任务所需的信息。Xing4.0-29B-Intent 能够同时覆盖这两类任务，并支持单句中包含多个意图、多个参数与实体的复杂情形。

模型基于统一模式驱动语义解析框架（USP），以“类别＋参数”的层级结构组织结果，按预设字段规则输出标准的 JSON 格式。意图理解、实体识别、关系抽取与事件抽取等任务统一采用同一套输入输出规范，大幅降低了下游系统的迁移与对接成本。

专精模型对比通用大模型的核心优势

在明确的垂直决策场景中，通用大模型存在响应速度、调用成本与输出稳定性三个明显短板：

1. 输出速度：通用大模型倾向于展开思维链推导，动辄生成数百上千字，难以及时满足高并发客服等场景。Xing4.0-29B-Intent 专注于关键决策信息输出，平均仅需生成几十个 Token，端到端响应时延控制在百毫秒级。
2. 调用成本：面对每天上百万次的高频分类调用，动用通用大语言模型存在算力浪费。专用模型在控制参数规模的同时大幅降低了计算成本。
3. 决策可靠性：通用大模型的自然语言自由输出难以保证格式严格稳定，而意图理解模型通过预定义的模式约束输出，字段格式完全可校验，杜绝幻觉扩散。

评测表现：分类与抽取全面领先

在涵盖 48 个中英文公开数据集、共 6000 道测试题的多任务综合评测中，针对意图分类、实体检测、关系检测与事件抽取的综合得分，Xing4.0-29B-Intent 取得了 58 分的成绩，优于参评的 18 款通用模型（最高 49 分），展现出在结构化抽取层面的专门优化效果。

而在考察类别判断“找准、找全、不误报”的 5606 道分类决策测试中，星辰模型在单选题、多选题以及无抽取内容的负例防误报测试中表现稳健。尤其在负例测试中，模型能够准确识别缺失信息并避免强行匹配，保障了业务边界的严谨性。

适用场景与开源资源开放

该模型特别适合以下技术落地场景：

• 终端语音交互：智能座舱、手机助手、IoT 中控等对延迟和成本敏感的硬件。
• 企业客服与工单路由：业务冷启动阶段缺乏海量标注样本的会话系统。
• AI 智能体入口层：为 Function Calling 与 Agent 链路提供稳定、低幻觉的语义解析输入。

Xing4.0-29B-Intent 基于星辰通用基座模型 Xing4.0-29B-A4B 微调完成。此次开源资源包括：重构自 61 个公开数据集的 275.3 万条微调训练语料、面向手机端智能交互场景构建的中文口语理解基准 CMPA-SLU、模型权重以及配套的官方推理镜像，开发者可通过 GitHub 仓库 以及 Hugging Face 等社区获取。