Лаборатория XingChen AGI при China Telecom Artificial Intelligence Technology открыла исходный код модели Xing4.0-29B-Intent, разработанной для одной узкой, но критически важной задачи в ИИ-агентах: определения того, что хочет пользователь, и последующего заполнения точных параметров, необходимых системе для выполнения действия.
Многие модели определения намерений останавливаются на классификации. Они могут определить, что пользователь хочет отрегулировать освещение, но не какие именно лампы, до какого уровня или какие оставить без изменений. Xing4.0-29B-Intent объединяет классификацию намерений и извлечение параметров за один проход. При задании схемы модель возвращает унифицированную JSON-структуру с полем `category` для обнаруженного намерения и полем `args`, содержащим извлеченные сущности, значения и атрибуты. Одно предложение, содержащее несколько команд, порождает несколько намерений, каждое со своими аргументами.
Модель дообучена на основе базовой модели XingChen 29B и оптимизирована для семантического парсинга и структурированного вывода. Команда сообщает о сквозной задержке инференса менее 150 миллисекунд, при этом вывод с ограничениями схемы минимизирует ошибки форматирования.
По результатам тестирования на бенчмарках команда сообщает о показателе Micro-F1 в 70,27 при нулевом выстреле (cold-start), что, по их словам, превосходит GPT-4.1, и показателе точного совпадения (exact-match) в 61. При более широкой оценке, охватывающей распознавание именованных сущностей, извлечение отношений, извлечение событий и понимание разговорной речи, модель показала общий результат 58, что на девять пунктов выше, чем у Gemini-3.6-Flash, занявшего второе место. Это собственные результаты команды.
В практических тестах, опубликованных Zhidx, модель корректно разделила настройки для разных источников света в одной команде, проигнорировала устройства, которые пользователь просил не трогать, сохранила исходную 30-минутную продолжительность встречи при нескольких раундах изменений и не рассматривала инструкции, написанные внутри заметки, как новые задачи. Также модель допустила ошибку в одном тесте с автомобильными окнами, установив для задних окон значение 0%, что могло изменить их исходное положение.
Релиз включает не только веса модели. Для обучения использовалось 2,753 миллиона образцов для дообучения под наблюдением, восстановленных из 61 общедоступного набора данных по 19 предметным областям и 52 языкам, что команда называет крупнейшим открытым корпусом для понимания намерений. Связанная работа по данным намерений для телефонных взаимодействий была принята на конференцию EMNLP 2026. Код доступен на GitHub в рамках проекта TeleChat-USP под лицензией Apache 2.0, а модель и набор данных — на Hugging Face и ModelScope с SDK для инференса и официальным образом.
Целевые сценарии использования включают умные пространства, автомобильные помощники, офисные рабочие процессы и персональных агентов.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
