共计 1326 个字符，预计需要花费 4 分钟才能阅读完成。
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
中电信人工智能科技有限公司星辰通用人工智能实验室近日发布并开源意图理解专用模型 Xing4.0-29B-Intent, 同时开放约 275 万条训练语料、模型权重与推理镜像, 目标是把用户的一句自然语言, 直接转成业务系统可以继续处理的结构化信息。
📌 一句话指令里, 藏着“选择题”和“填空题”
“帮我把卧室的灯调成暖黄。”系统只判断出“控制灯光”还不够, 还得知道房间是卧室、设备是灯、状态是暖黄。前者是意图分类, 相当于做选择题; 后者是参数抽取, 相当于做填空题。
Xing4.0-29B-Intent 同时支持这两类任务, 也能处理一句话里包含多个意图、多个参数和多个实体的复杂情况。模型采用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、事件抽取等异构任务共用一套输入输出约束, 便于下游快速接入, 迁移成本较低。
🔍 为什么不直接用通用大模型
- 输出速度: 通用大模型习惯“想清楚再回答”, 而工单该转给谁这类问题等不起。该模型只输出关键决策信息, 平均几十个 token, 完整响应可做到百毫秒级。
- 决策成本: 用通用大模型做分类和信息抽取, 规模大、调用贵; 当一个场景每天要调用上百万次, 成本差距会被成倍放大。
- 决策可靠性: 自由文本输出同一个问题可能有多种说法, 下游难以稳定解析; 专用模型的字段确定、格式可校验, 不给“自由发挥”留空间。
官方同时给出了能力对照: 相比以 Jev 为代表的轻量决策模型, 星辰模型在意图分类、结构化输出之外, 还支持 Function Call 参数抽取与信息抽取、NER、事件抽取, 推理延迟标称为 <200ms。
💡 两组评测: 总分领先, 短板项也要看
第一组 从 48 个中英文公开数据集中按比例抽取 6000 道题,覆盖意图理解、实体识别、关系抽取和事件抽取, 评分同时考察“分到哪一类”和“提取出了什么”。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, 四类任务分项也均领先。
第二组 只看类别判断,共 5606 道题, 其中 3940 道单一正确类别、1666 道多个正确类别, 另含 839 道“无可抽取内容”的负例题。星辰模型总决策分 70, 高于 GPT-6-Luna 的 65 和 Jev 的 56; 多目标识别与负例防误报, 正是它拉开差距的地方——多选时尽量点齐应选类别, 遇到无目标内容时宁可空手, 也不硬选凑数。
📊 开源清单与适用场景
- 275.3 万条监督微调训练语料, 重构自 61 个公开数据集, 覆盖 19 个领域、52 种语言;
- 面向手机端智能交互的中文口语理解基准 CMPA-SLU, 相关成果被 EMNLP 2026 录用;
- Xing4.0-29B-Intent 模型权重, 支持意图识别、参数抽取与统一格式结构化输出;
- 随代码仓库提供的官方推理镜像。
🚀 总结
围绕“既能“做选择题”, 也能“做填空题”——星辰意图理解模型 X”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
