用户发出“查询明天北京到上海航班”的指令时，Agent不仅要识别意图，还需将自然语言转化为业务系统可处理的结构化参数：任务类型为“查询航班”，出发地、目的地及日期分别对应具体字段。若指令复杂，如“会议改至周五下午三楼，时长不变”，系统需精准捕捉修改项与保留项，避免遗漏关键约束。
10月19日，星辰通用人工智能实验室开源意图理解模型Xing4.0-29B-Intent，同步开放模型权重、配套数据集及推理SDK。该模型定位为Agent的前置处理模块，专注于将用户自然语言拆解、归类并结构化，交由后续业务系统执行。
结构化输出：从意图识别到参数抽取
Xing4.0-29B-Intent采用category + args结构组织结果。category标识意图类别，args承载实体、数值及属性。以航班查询为例，模型输出类别为“查询航班”，并将“北京”“上海”“明天”映射至相应字段。相比仅返回意图标签，该方式减少了业务系统的二次解析成本，并支持通过JSON数组处理多任务指令。
项目覆盖意图识别与槽位填充、命名实体识别、关系抽取和事件抽取四类任务，统一输出格式便于开发者复用数据处理流程。但模型依赖预定义Schema（候选类别、说明及字段），需在既定业务框架内运行。若Schema未明确定义边界条件（如“保持原样”），模型可能输出格式正确但语义偏差的结果。
评测参考：公开数据不等于业务准确率
基于48个公开数据集、6000条样本的评测显示，Xing4.0-29B-Intent总体得分为58。其中意图理解得分81，命名实体识别72，关系抽取38，事件抽取40。高分项适用于常规分类与字段提取场景；低分项提示在涉及复杂关系判断或事件要素抽取时，需进行独立测试。
评测分数基于特定测试集与Macro-F1计算，反映的是标准环境下的表现，而非企业实际业务准确率。实际效果受字段定义清晰度、业务数据分布及推理配置影响显著。
技术架构方面，该模型基于Xing4.0-29B-A4B，采用MoE架构，总参数约290亿，每Token激活约40亿参数。配套SDK支持意图定义、提示词组装及多轮对话处理，通过OpenAI兼容接口调用，部署可参考vLLM、SGLang等方案。模型权重、数据及代码均采用Apache 2.0许可。
生态开放：数据完备，Schema需定制
配套数据集包含约275万条样本，整合61个公开数据集及智能设备助手场景数据，覆盖4类任务、19个领域和52种语言，并提供170多个意图、148个槽位的标签集合。这为构建意图识别流程提供了基础材料，降低了从零设计的门槛。
▲配套数据集分布图。图源：星辰实验室项目仓库。
然而，公开标签无法直接替代企业私有字段体系。不同行业的工单类别、设备名称及审批规则差异巨大，接入前需重构Schema、准备专用样本，并重点校验模型对否定条件、参数串扰等边缘情况的处理能力。
在智能控制、工单更新等高风险场景，结构化输出仅为流程起点。系统仍需结合权限校验、字段范围检查及用户确认机制，防止因语义偏差导致误操作。Xing4.0-29B-Intent的价值在于提供标准化的意图与参数抽取能力，其实际效能取决于开发者对业务Schema的精确定义及工程化落地水平。