中电信开源29B意图理解模型Xing4.0，支持参数直接提取

AI行业正被TypeSafe AI发布的“系统一模型”Jev搅动，其验证了专用模型在意图理解等高频、低延迟任务上的优势。然而，判断出用户意图后，如何准确将自然语言转化为结构化参数，成为AI Agent落地的新考验。

10月19日，中电信星辰通用人工智能实验室开源了Xing4.0-29B-Intent模型，尝试补上这一能力缺口。该模型将意图理解扩展为“选择题+填空题”，同时将模型、训练语料和推理SDK一并开源。

意图分类与参数抽取整合

Jev等决策模型提供布尔判断、分类选择和标尺打分三种原语，延迟低至70毫秒，但输出受候选选项限制，无法直接覆盖复杂开放的参数抽取需求。

Xing4.0-29B-Intent则将意图分类与参数抽取整合进同一个模型。它既能判断输入对应的意图，也能提取实体、数值及属性，通过统一的JSON结构返回。例如，面对“调节展厅东侧灯光至80%、色温4000K，西侧至30%、2700K，入口灯不动，大厅音量调至15%”的复杂指令，模型能一次返回多组意图及对应参数，并正确处理否定要求。其端到端推理延迟低于150毫秒，且格式幻觉极低。

零样本冷启动与统一评测领先

意图理解应用长期面临新场景接入成本高的问题。在零样本冷启动评测中，Xing4.0-29B-Intent的Micro-F1达到70.27，较Jev最优配置高出12.62个百分点，并超过GPT-4.1。在严格全对指标上取得61分，远超Jev的21至48分。

在覆盖48个公开数据集的统一评测中，Xing4.0-29B-Intent的Overall总分达到58，比排名第二的Gemini-3.6-Flash高9分，在实体识别、关系抽取、事件抽取和意图理解四类任务中均取得领先。

11组真实场景实测

在智东西追加的11组覆盖智能空间、智能座舱、企业业务等场景的实测中，Xing4.0-29B-Intent表现出强大的复杂指令理解能力。例如在智能空间测试中，模型能一次识别投影仪、窗帘、主灯和空调等多类意图，准确对应不同区域与设备状态；在智能座舱测试中，能正确提取多车窗的复杂控制要求。

Xing4.0-29B-Intent的开源，为开发者提供了一种让专用模型进一步承担结构化信息整理工作的新思路，有望显著降低AI Agent在真实业务场景中的适配成本。