星辰开源意图理解模型Xing4.0-29B-Intent，开放275万条训练语料

中电信人工智能科技有限公司星辰通用人工智能实验室发布并开源了意图理解专用模型 Xing4.0-29B-Intent，同时开放 275 万条训练语料、模型权重与推理镜像。该模型把意图识别与参数抽取结合起来，可将用户的一句话转换为业务系统可继续处理的结构化信息。

目前，该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。此次开源旨在为更多开发者提供模型及配套资源，支持接入各自业务场景。

以“帮我把卧室的灯调成暖黄”为例，系统不仅需判断出“控制灯光”的意图，还需提取房间（卧室）、设备（灯）、状态（暖黄）等参数。Jev 类决策模型主要“做选择题”，从候选中挑选答案；参数抽取则相当于“做填空题”，提取完成任务所需的具体信息。Xing4.0-29B-Intent 同时支持这两类任务，也支持一句话包含多个意图、多个参数和多个实体的情况。

模型采用统一模式驱动语义解析框架（USP，Unified Schema-driven Semantic Parsing），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 格式信息。意图理解、实体识别、关系抽取、事件抽取等异构任务统一采用一套输入输出格式约束，便于下游任务快速接入、稳定解析，迁移成本极低。

相比通用大模型，该模型针对意图理解场景的三个短板做了优化：

• 响应速度：不做长篇推理，平均输出几十个 token，完整结果响应时延可达百毫秒级；
• 调用成本：模型规模小、调用省，适合每天上百万次的高频调用场景；
• 输出稳定性：结果被严格约束在预定义结构中，字段确定、格式可校验，便于下游系统稳定解析。

在响应及时度要求高、场景相对收敛、决策执行相对明确的地方，意图理解模型是比通用大模型更快、更便宜、更可靠的选择。以 Jev 为代表的轻量级决策模型推出后，迅速成为开发者社区热议的焦点，市场反响印证了专用小模型同样可以做到又快又准。

效果评测：两组测试检验识别与抽取能力

技术团队开展了两组评测，分别考察完整抽取结果和类别判断能力。

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四类任务，考察类别判断与具体内容提取的综合能力。总分先在四类任务中分别计算，再等权平均。Xing4.0-29B-Intent 总分为 58，高于本次参评的 18 款市面主流通用模型最高总分 49；四类任务的分项得分也均高于参评通用模型。这表明在本次评测的任务与设置下，该模型在同时完成类别判断和内容抽取方面表现更好。

第二组评测不评价参数或具体内容抽取，只比较模型能否找全、选准应输出的类别。评测共 5606 道题，包括 3940 道单一正确类别题和 1666 道多个正确类别题；其中还包含 839 道“无可抽取内容”的负例题，用于检验模型在没有目标内容时是否会误报类别。