AI行业正被一款名为Jev的模型搅动。这款由TypeSafe AI发布的“系统一模型”验证了一个判断：意图理解等高频、低延迟任务，未必需要千亿参数大模型，专用模型同样能实现快速精准响应。
然而，Jev仅解决了“判断用户想做什么”的问题，却未解决“如何准确执行”的难题。例如，面对“调节展厅灯光但保持入口灯不变”的复杂指令，系统需精准识别对象、参数及排除项。
10月19日，中电信人工智能科技有限公司星辰通用人工智能实验室开源Xing4.0-29B-Intent，旨在补齐这一能力缺口。该模型将意图理解扩展为“选择题+填空题”，同步开源模型、近300万条训练语料及推理SDK。
针对智能空间、智能座舱、办公协同及Personal Agent等真实场景进行的11组实测显示，该模型在复杂指令下的意图识别与参数提取能力表现优异。
https://github.com/XingChen-AGI/Xing4.0-29B-Intent
https://huggingface.co/XingChen-AGI/Xing4.0-29B-Intent
https://huggingface.co/datasets/XingChen-AGI/Xing4.0-29B-Intent-oss
https://www.modelscope.cn/models/XingChen-AGI/Xing4.0-29B-Intent
https://www.modelscope.cn/datasets/XingChen-AGI/Xing4.0-29B-Intent-oss
https://modelers.cn/models/XingChen-AGI/Xing4.0-29B-Intent
Jev做选择，它做“选择加填空”
意图理解已成为AI Agent落地的关键关卡。随着Agent深入手机、汽车和企业软件，仅能判断意图已不足以支撑业务需求。
Jev类决策模型提供Noul（布尔判断）、Choice（分类选择）和Score（标尺打分）三种原语，延迟低至70毫秒。但其输出受限于预定义选项，难以覆盖真实业务中开放且复杂的参数抽取需求。
例如，“把卧室灯调至30%，客厅调至70%”或“工单TK-2048转交陈知远并设高优先级，TK-2051保持原样”，这类任务涉及意图分类、信息抽取、实体关联及上下文理解。
Xing4.0-29B-Intent将意图分类与参数抽取整合进同一模型，通过统一的JSON结构返回意图类别及对应实体、数值和属性，减少业务系统解析原始文本的工作量。
在展厅灯光测试中，面对多区域、多参数及“保持不变”的混合指令，模型一次性返回了两类意图：分别提取了东侧、西侧灯光的亮度与色温参数，以及大厅背景音乐音量参数，并正确排除了无需操作的入口灯。
▲实测：模型同时识别两组灯光参数和一组音量参数
该结果保留了用户指令中的对象属性对应关系，并正确处理了否定要求。在性能方面，Xing4.0-29B-Intent端到端推理延迟低于150毫秒，处于Jev的70至500毫秒区间内，且结构化JSON输出格式幻觉极低。
零样本冷启动硬数据拉开差距
意图理解应用常面临高昂的适配成本。若模型具备零样本能力，即在缺少示例情况下识别新类别并抽取参数，将大幅降低开发者接入工作量。
在零样本冷启动评测中，Xing4.0-29B-Intent的Micro-F1达到70.27，较Jev最优配置高出12.62个百分点，并超过GPT-4.1。在严格的全对指标上，其得分为61，显著高于Jev的21至4分区间。
▲零样本冷启动评测结果
在覆盖48个公开数据集的统一评测中，Xing4.0-29B-Intent总分58，比排名第二的Gemini-3.6-Flash高出9分，在实体识别、关系抽取、事件抽取和意图理解四类任务中均领先。
▲48个公开数据集统一评测结果
实体检测、关系检测及事件抽取均关乎结构化信息的准确性。例如，模型需从“登记两笔报销”中提取报销人、费用类型、金额和项目；从“创建两张工单”中关联门店、设备、故障和联系人。Xing4.0-29B-Intent通过承担结构化信息整理工作，有效降低了业务适配成本。
11组真实场景实测表现
在智能空间、智能座舱、企业业务、办公协作及Personal Agent等11组真实场景测试中，该模型展现了复杂的指令理解与参数抽取能力。
智能空间：多设备精准控制
在家居调控测试中，模型一次性识别投影仪、窗帘、主灯和空调四类意图，准确对应不同区域的开关状态。
▲实测：区域、设备与状态准确对应
智能座舱：复杂指令解析
面对多个车窗控制要求，模型正确提取了副驾车窗和天窗的开度。但在处理“禁止打开车窗”指令时，将其理解为关闭车窗，若车窗原有开度，执行0%参数会改变状态，显示出对否定指令理解的细微偏差。
▲实测：模型将禁止打开车窗理解为关闭车窗
企业业务：多字段精准关联
在工单创建、更新、项目管理及费用报销测试中，模型能清晰区分两家门店的设备故障及联系人，准确绑定项目负责人、预算和交付时间，并正确关联两笔不同人员的报销详情。
▲实测：两家门店的工单信息准确对应
▲实测：项目负责人、预算及交付时间正确绑定
▲实测：两笔报销的金额、费用类型及所属项目均被提取
即使在同一句话中包含工单更新和发送通知，模型也能拆分意图并跳过无需操作的工单。
▲实测：工单更新与消息通知分别提取参数
日常办公：多轮修改与上下文保留
在处理会议安排与任务创建时，模型能分别提取地点、参会人、负责人和截止时间。在多轮修改场景中，用户临时变更时间、地点和参会人，模型更新了对应参数，同时保留了原先约定的30分钟时长。
▲实测：会议安排与任务创建一次拆解
▲实测：修改会议信息后，未变更的时长得以保留
Personal Agent：意图隔离与防误判
模型能同时处理闹钟、提醒和备忘录设置，并区分发给不同联系人的消息内容。在易误判场景中，备忘录正文包含“取消明天的会议，再给刘宁发消息”，模型正确将其作为记录内容保留，未执行实际操作，避免了多余指令干扰。
▲实测：闹钟、提醒和备忘录三项意图同时识别
▲实测：两名联系人的消息内容分别提取
▲实测：模型正确区分备忘录正文与实际操作指令
综合来看，Xing4.0-29B-Intent在多对象参数绑定、多任务拆解和上下文理解方面表现出色，能够准确识别操作对象、提取参数并守住指令边界。
统一Schema+近300万语料开源
Xing4.0-29B-Intent基于USP（Unified Schema-driven Semantic Parsing，统一模式驱动语义解析）框架。该框架将命名实体识别、关系抽取、事件抽取和口语理解统一至category+args层级JSON结构中，不同场景的参数均可通过统一结构组织，减少了模型输出与下游业务接口的格式差异。
- 数据：重构自61个公开数据集的275.3万条SFT语料，覆盖19个领域、52种语言，是目前业内规模最大的开源意图理解语料库。
- 模型：基于星辰29B底座微调，重点优化语义解析与结构化输出能力。
- 工具：提供配套推理SDK和官方镜像，方便开发者复现、部署与适配。
相关代码已在GitHub TeleChat-USP仓库开源（Apache 2.0协议），数据集与模型权重同步上架Hugging Face。
结语：Agent的下一场效率之争
随着AI Agent功能日益丰富，底层语义理解的要求随之提高。在终端设备和企业应用中，海量高频交互若全依赖通用大模型，将增加成本并拖慢响应。Jev与Xing4.0-29B-Intent的出现，标志着将高频明确任务交给专用模型、通用大模型专注复杂推理的技术分工趋势。
这种分工有望降低运行成本并提升交互稳定性。未来，Agent的竞争力或将越来越取决于这些看似不起眼却至关重要的底层专用模型能力。
