中国电信星辰实验室开源29B意图理解模型Xing4.0-Intent
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载模型定位与开源内容
Xing4.0-29B-Intent 面向意图理解这一相对收敛的任务，把两件事合到一个模型里完成：判断用户想做什么，以及抽出完成这件事所需的具体信息。材料给出的例子是“帮我把卧室的灯调成暖黄”，系统除了识别出控制灯光，还要拿到房间、设备、目标状态三项内容。随模型一并开放的有 275 万条训练语料、模型权重和推理镜像，开发者可以接入自己的业务场景，而不只是调用接口。模型也支持一句话里出现多个意图、多个参数和多个实体的情况。
统一输出格式与下游接入
模型采用统一模式驱动语义解析框架（USP），结果按“类别＋参数”的层级组织，依照预先定义的字段规则输出 JSON。意图理解、实体识别、关系抽取、事件抽取这些原本形态不同的任务，被约束到同一套输入输出格式里，下游系统按固定字段解析即可。材料强调这种做法的好处是解析稳定、迁移成本低，字段确定且格式可校验，不给自由文本留发挥空间。
与通用大模型的差异
材料列出通用大模型在这类场景的三个短板。其一是时延：通用模型倾向长篇推理，而工单转派这类问题等不起，Xing4.0-29B-Intent 只输出任务所需的关键决策信息，平均几十个 token，完整结果响应可到百毫秒级。其二是成本：场景每天调用上百万次时，小模型与通用模型的单次成本差距会被放大。其三是可解析性：自由文本同一问题可能有多种说法，下游难以稳定处理，而该模型输出被限制在预定义结构内。材料把适用边界概括为响应要求高、场景相对收敛、决策执行明确的地方。
两组评测的设置与结果
第一组从 48 个中英文公开数据集按比例抽取 6000 道题，覆盖意图理解、实体识别、关系抽取、事件抽取四类任务，评分要求类别与具体内容都对才算完整正确；总分先在四类任务内分别计算再等权平均。Xing4.0-29B-Intent 总分 58，高于本次参评 18 款市面主流通用模型的最高总分 49，四类任务分项也均高于参评通用模型。第二组只考察类别判断，共 5606 道题，含 3940 道单一正确类别题、1666 道多个正确类别题，以及 839 道无可抽取内容的负例题，用于检验模型是否会误报类别；材料提到 Jev 以“N选1”和“逐个判是非”两种答法参与，并保留 GPT-6-Luna 作为通用模型参照。材料在第二组结果处截断，未给出完整分数。
为什么值得看
开源权重、语料与推理镜像，并给出与通用模型的评测对比，可判断专用小模型是否适合自身业务。
信源1 家
关键事实
星辰通用人工智能实验室发布并开源意图理解专用模型Xing4.0-29B-Intent，同步开放275万条训练语料、模型权重与推理镜像。[1]
模型将意图识别与参数抽取结合，把用户一句话转换为业务系统可继续处理的结构化信息，支持多意图、多参数、多实体。[1]
模型采用统一模式驱动语义解析框架USP，按预定义字段规则输出JSON，意图理解、实体识别、关系抽取、事件抽取共用输入输出格式。[1]
模型已在电信万号客服、智能家居音箱等终端产品中应用，服务于对话意图识别、工单智能路由和口语指令解析。[1]
第一组评测从48个中英文公开数据集抽取6000道题，Xing4.0-29B-Intent总分58，高于参评18款通用模型的最高总分49。[1]
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。