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了Xing4.0-29B-Intent模型，试图解决AI Agent落地中一个关键缺口：在判断用户意图之后，如何把自然语言准确转化为结构化参数。该模型将意图理解从Jev式“选择题”扩展为“选择题+填空题”，并同步开源模型权重、训练语料和推理SDK。

此前，TypeSafe AI发布的Jev模型验证了专用小模型在意图判断任务上的可行性——通过Noul布尔判断、Choice分类选择和Score标尺打分三种决策原语，可在70毫秒延迟内完成预定义范围内的快速判断。但这类决策原语的输出受候选选项限制，无法直接覆盖真实业务中复杂、开放的参数抽取需求。例如，用户要求“把展厅东侧的灯调到80%、色温4000K，西侧调到30%、2700K，入口灯别动”，仅识别出“调节灯光”意图远远不够，系统还需明确哪盏灯对应哪个亮度、哪种色温，以及哪盏灯必须保持原样。

Xing4.0-29B-Intent的核心思路是将意图分类与参数抽取整合进同一个模型，通过统一的JSON结构返回意图类别和对应参数。在展厅灯光测试中，模型一次返回了“调节灯光”和“调节音量”两类意图，前者包含东侧、西侧两个参数对象，后者提取了大厅和15%音量，同时正确跳过了要求保持原样的入口灯。这种多对象参数绑定和否定指令处理能力，正是智能家居、智能座舱等场景的刚需。

性能方面，该模型端到端推理延迟低于150毫秒，落在Jev的70到500毫秒区间内，结构化JSON输出带Schema强约束，格式幻觉被压得很低。在零样本冷启动评测中，其Micro-F1达到70.27，较Jev最优配置高出12.62个百分点，同时超过GPT-4.1；在要求预测结果全部正确的严格全对指标上，Xing4.0-29B-Intent取得61，而Jev两种配置的成绩介于21至48之间。在覆盖48个公开数据集的统一评测中，该模型Overall总分达到58，比排名第二的Gemini-3.6-Flash高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取得领先。

智东西围绕智能空间、智能座舱、企业业务、办公协作及Personal Agent等场景进行了11组实测。在智能座舱测试中，模型正确提取了副驾车窗和天窗的开度，但对“禁止打开车窗”这类否定指令的理解存在偏差——若后排车窗原本处于一定开度，执行0%参数反而会改变原有状态。在企业业务场景中，模型能准确区分两家门店的工单信息、两份项目记录的负责人与预算，以及两笔不同人员的报销金额与所属项目。在办公协作场景中，用户临时更换会议时间、地点和参会人后，模型更新了对应参数，却保留了原先约定的30分钟时长。在Personal Agent场景中，模型能同时识别闹钟、提醒和备忘录三项意图，并正确区分备忘录正文中的操作指令与实际任务。

支撑这些能力的是一套名为USP（Unified Schema-driven Semantic Parsing，统一模式驱动语义解析）的框架，它将命名实体识别、关系抽取、事件抽取和口语理解四类任务统一到相同的输出结构中，核心是category+args层级JSON——category表示意图或信息类型，args存放对应参数。不同场景的参数各不相同，但都可以用统一结构组织，从而减少模型输出与下游业务接口之间的格式差异。

开源范围覆盖了支撑这套框架的多个环节。数据方面，Xing4.0-29B-Intent所用的275.3万条SFT语料重构自61个公开数据集，覆盖19个领域、52种语言，该团队称这是目前业内规模最大的开源意图理解语料库；此外还提供了面向手机等终端交互场景的意图理解语料，相关工作已被EMNLP 2026录用。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，配套推理SDK和官方镜像也已提供。相关代码在GitHub的TeleChat-USP仓库开源，采用Apache 2.0协议，数据集与模型权重同步上架Hugging Face。

从产业视角看，意图理解专用模型的开源化，为手机语音助手、智能座舱、客服与企业办公系统等场景的开发者提供了一套可复现、可适配的结构化语义解析基础。这类高频、低延迟的交互任务若全部依赖通用大模型，推理成本将随调用量线性攀升；专用模型加统一Schema的路线，则有望在保持精度的同时压低单次调用成本。不过，实测中暴露的否定指令理解偏差也提示，涉及物理设备控制的场景仍需额外的安全校验层。对AI Agent产业链而言，决策层与生成层分离的趋势正在催生一批专注于“理解”环节的模型供给，其开源生态的成熟度将直接影响下游应用接入的门槛与速度。