中国电信星辰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
专用小模型在意图理解上比通用大模型更快更便宜更可靠：输出几十个 token、百毫秒级响应，且格式可校验。
中国电信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，同时开放 275 万条训练语料、模型权重与推理镜像。它把意图识别（判断用户要做什么，相当于做选择题）和参数抽取（填出完成操作所需的具体信息，相当于做填空题）合并成一次结构化 JSON 输出，已在电信客服工单路由和智能家居音箱上落地。
正文摘录
中电信人工智能科技有限公司星辰通用人工智能实验室正式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。模型将意图识别与参数抽取结合起来，把用户的一句话转换为业务系统可以继续处理的结构化信息。 目前，Xing4.0-29B-Intent 模型能力已在电信万号客服、智能家居音箱等终端产品中开始应用，服务于对话意图识别、工单智能路由和口语指令解析。此次开源将为更多开发者提供模型及配套资源，支持接入各自的业务场景。 “帮我把卧室的灯调成暖黄。”一句日常的设备操作指令，既包含用户想做的事，也包含完成操作所需的具体信息。系统需要从自然表达中提取这些信息，才能交给后续应用处理。 面对这句话，仅判断出“控制灯光”还不够。系统还需要知道：哪个房间？卧室；什么设备？灯；调成什么状态？暖黄。 Jev 类决策模型主要“做选择题”，返回类型化决策，从给定的候选中挑选答案；参数抽取相当于“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，按照预先定义的字段规则输出 JSON 格式信息。异构任务目标如：意图理解、实体识别、关系抽取、事件抽取等任务统一采用统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。 看到这里你可能会问：通用大模型不是已经“无所不能”了吗，为什么还要专门的意图理解模型？ 通用大模型习惯“想清楚再回答”，动辄数百上千字的长篇推理，对于“工单转给谁”这样的问题，等它说完，客户早就挂电话了。