既能“做选择题”，也能“做填空题”——星辰意图理解模型Xing4.0-29B-Intent发布
内容提要
中国电信星辰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。该模型结合意图识别与参数抽取，将用户语句转为结构化JSON信息，支持多意图、多参数场景，响应时延百毫秒级，成本低且稳定。评测中综合表现优于多款通用模型，已应用于电信客服、智能家居等场景。
延伸解读
专用模型为何在意图理解上更划算
文章指出通用大模型在意图理解场景存在三个短板：长篇推理导致响应慢、调用成本高、自由文本输出难以稳定解析。Xing4.0-29B-Intent 只输出任务所需的关键决策信息，平均几十个 token，响应时延百毫秒级，且输出被约束在预定义 JSON 结构中。对于每天调用上百万次、场景相对收敛的业务，这种专用模型在速度、成本和可靠性上更有优势。
评测领先的关键在多选与负例
两组评测显示，Xing4.0-29B-Intent 在完整抽取总分上高于参评通用模型，在类别决策的总分及单选、多选、负例三个子项上也全面领先对比模型。文章特别强调，多目标识别和负例防误报是最容易出错的场景，而该模型在多选时能更完整锁定应选类别，在无目标内容时敢于不输出，说明其优势不只是命中率高，更在于边界判断更稳。
开源资源降低了落地门槛
此次开源不仅包含模型权重和推理镜像，还同步开放 275.3 万条监督微调语料，覆盖 19 个领域、52 种语言，并包含面向手机端交互的中文口语理解基准 CMPA-SLU。对于终端交互、ToB 客服和 Agent 工具调用等场景，开发者可以直接获得模型与配套数据，减少从零标注和搭建结构化输出能力的成本，更快验证自身业务效果。
注意评测边界与适用场景
文章明确说明，评测由该公司技术团队开展，结果仅反映参评模型在本次评测数据和设置下的表现，不代表所有任务和实际部署效果。因此，模型在电信客服、智能家居等收敛场景中的优势较明确，但若业务意图开放、需要复杂推理或生成能力，仍需自行评估。开发者接入前应结合自身数据复现测试，避免直接套用榜单结论。
Q&A
Xing4.0-29B-Intent 是什么模型？主要功能是什么？
Xing4.0-29B-Intent 是中国电信星辰通用人工智能实验室发布的意图理解专用模型，能同时进行意图识别和参数抽取，将用户语句转换为结构化 JSON 信息，支持多意图、多参数场景。
为什么需要专门的意图理解模型，而不是直接用通用大模型？
通用大模型有三个短板：响应慢（长篇推理导致高延迟）、成本高（大模型调用贵）、输出自由文本难以稳定解析。意图理解模型响应快（百毫秒级）、成本低、输出格式严格约束，更适合高响应要求、场景收敛的任务。
Xing4.0-29B-Intent 在评测中的表现如何？
在综合评测中，Xing4.0-29B-Intent 总分 58，高于参评 18 款通用模型的最高总分 49，且在意图分类、实体检测、关系检测、事件抽取四类任务上分项得分均领先。在类别决策评测中，其决策总分及单选、多选、负例子项也全面领先对比模型。
Xing4.0-29B-Intent 已经应用在哪些实际场景？
已应用于电信万号客服系统（对话意图识别与工单智能路由）和智能家居音箱等终端产品（将口语指令转换为结构化指令），服务于对话意图识别、工单路由和口语指令解析。
Xing4.0-29B-Intent 开源了哪些资源？
开源资源包括：275.3 万条监督微调训练语料（覆盖 19 个领域、52 种语言）、终端意图理解语料（CMPA-SLU 基准）、模型权重、官方推理镜像。代码采用 Apache 2.0 许可，模型和数据集在 Hugging Face、GitHub、魔搭、魔乐等平台开放。
Xing4.0-29B-Intent 适合哪些开发者或业务场景使用？
适合终端交互（手机语音助手、智能座舱、IoT 中控）、ToB 客服/企业 IM 机器人（冷启动缺标注数据）、Agent/Function Calling 应用（需要稳定低幻觉的语义入口层）等场景，尤其适合既要判意图又要抽参数且对延迟和成本敏感的业务。
