Sowohl „Multiple-Choice-Aufgaben“ als auch „Lückentext-Aufgaben“ lösen können – das Intent-Verständnismodell Xing4.0-29B-Intent wurde…

Das Xing-Labor für allgemeine künstliche Intelligenz der China Telecom AI Technology Co., Ltd. veröffentlicht und open-sourct offiziell das spezialisierte Intent-Verständnismodell Xing4.0-29B-Intent und stellt gleichzeitig 2,75 Millionen Trainingssätze, Modellgewichte und Inferenz-Images zur Verfügung. Das Modell kombiniert Intent-Erkennung mit Parameterextraktion und wandelt einen einzelnen Benutzersatz in strukturierte Informationen um, die von Geschäftssystemen weiterverarbeitet werden können.

Bereits heute werden die Fähigkeiten des Modells Xing4.0-29B-Intent in Endprodukten wie dem Telecom-10000-Kundendienst und Smart-Home-Lautsprechern eingesetzt, unter anderem für die Erkennung von Dialogabsichten, intelligentes Ticket-Routing und die Analyse von Sprachbefehlen. Das Open-Sourcing stellt weiteren Entwicklern das Modell samt zugehörigen Ressourcen zur Verfügung und unterstützt die Anbindung an ihre eigenen Geschäftsszenarien.

01 Multiple-Choice-Frage oder Lückentext-Frage

„Mach das Licht im Schlafzimmer warmgelb.“ Eine alltägliche Gerätebedienungsanweisung enthält sowohl das, was der Nutzer tun möchte, als auch die konkreten Informationen, die für die Ausführung nötig sind. Das System muss diese Informationen aus der natürlichen Äußerung extrahieren, um sie an nachfolgende Anwendungen zur Verarbeitung übergeben zu können.

Bei diesem Satz reicht es nicht aus, nur „Lichtsteuerung“ zu erkennen. Das System muss außerdem wissen: Welcher Raum? Schlafzimmer; welches Gerät? Lampe; in welchen Zustand? Warmgelb.

Jev-artige Entscheidungsmodelle lösen im Wesentlichen „Multiple-Choice-Aufgaben“ und liefern typisierte Entscheidungen, indem sie aus vorgegebenen Kandidaten eine Antwort auswählen; Parameterextraktion entspricht dem „Ausfüllen von Lücken“, also dem Extrahieren der konkreten Informationen, die zur Aufgabenerfüllung benötigt werden. Xing4.0-29B-Intent unterstützt beide Aufgabentypen gleichzeitig sowie Fälle, in denen ein Satz mehrere Intents, mehrere Parameter und mehrere Entitäten enthält.

Das Modell verwendet ein einheitliches, schema-getriebenes semantisches Parsing-Framework (USP, Unified Schema-driven Semantic Parsing), das Ergebnisse in einer hierarchischen Struktur aus „Kategorie + Parameter“ organisiert und Informationen im JSON-Format gemäß vordefinierten Feldregeln ausgibt. Heterogene Aufgabenziele wie Intent-Verständnis, Entitätserkennung, Relationsextraktion und Ereignisextraktion folgen einheitlich denselben Eingabe- und Ausgabeformatbeschränkungen, was eine schnelle Anbindung nachgelagerter Aufgaben, stabiles Parsing und extrem niedrige Migrationskosten ermöglicht.

02 Warum nicht direkt ein großes Allzweckmodell verwenden?

An dieser Stelle fragen Sie sich vielleicht: Sind große Allzweckmodelle nicht bereits „allmächtig“? Warum braucht es dann ein spezialisiertes Intent-Verständnismodell?

Weil große Allzweckmodelle in solchen Szenarien drei „angeborene Schwächen“ haben.

Erstens, die Ausgabegeschwindigkeit

Große Allzweckmodelle neigen dazu, „erst gründlich nachzudenken, dann zu antworten“, mit langen Gedankengängen von Hunderten bis Tausenden Zeichen. Bei einer Frage wie „An wen wird das Ticket weitergeleitet?“ hat der Kunde längst aufgelegt, bevor das Modell fertig gesprochen hat. Xing4.0-29B-Intent reagiert nur schnell auf die wichtigsten Entscheidungsinformationen, die zur Aufgabenbearbeitung nötig sind, ohne lange Gedankengänge, gibt im Durchschnitt nur einige Dutzend Token aus und erreicht eine vollständige Antwortlatenz im Bereich von Hundertstelsekunden.

Zweitens, die Entscheidungskosten

Ein großes Allzweckmodell für Klassifikation und Informationsextraktion einzusetzen ist, als würde man mit Kanonen auf Spatzen schießen. Intent-Verständnismodelle sind klein und günstig im Aufruf; wenn ein Szenario täglich Millionen von Aufrufen erfordert, vervielfacht sich der Kostenunterschied.

Drittens, die Zuverlässigkeit der Entscheidung

Die Ausgaben großer Allzweckmodelle sind freie Texte: dieselbe Frage kann zehn verschiedene Formulierungen erhalten, was ein stabiles Parsing durch nachgelagerte Systeme erschwert. Die Ausgaben von Intent-Verständnismodellen sind streng an vordefinierte Strukturen gebunden: feste Felder, überprüfbares Format – es bleibt kein Raum für „freies Improvisieren“.

Ein Satz zur Zusammenfassung: Dort, wo hohe Anforderungen an die Antwortzeit bestehen, das Szenario relativ klar abgegrenzt und die auszuführende Entscheidung relativ eindeutig ist, sind Intent-Verständnismodelle die schnellere, günstigere und zuverlässigere Wahl gegenüber großen Allzweckmodellen.

Auf diesem Gebiet gibt es bereits Vorreiter. Nach dem Erscheinen von leichtgewichtigen Entscheidungsmodellen wie Jev wurde diese in der Entwickler-Community schnell heiß diskutiert. Die Marktreaktion bestätigt eine Einschätzung: Intent-Verständnis muss nicht auf das „starke Reasoning“ großer Modelle setzen; spezialisierte kleine Modelle können ebenso schnell und präzise sein.

03 Zahlen sprechen für sich Zwei Evaluierungen prüfen Erkennungs- und Extraktionsfähigkeit

Ob ein Modell die feingranularen Anforderungen von Nutzern mit mehreren Intents versteht, lässt sich auf zwei Ebenen prüfen: erstens, ob sowohl die Kategorie richtig beurteilt als auch der konkrete Inhalt korrekt extrahiert wird; zweitens, ob bei reiner Betrachtung der Kategoriebeurteilung weder Auslassungen noch Überselektionen auftreten. Das Technikteam führte daraufhin zwei Evaluierungen durch, die jeweils die vollständigen Extraktionsergebnisse und die Fähigkeit zur Kategoriebeurteilung untersuchen.

Erste Evaluierung: Nicht nur die Kategorie muss stimmen, auch der konkrete Inhalt

Die erste Evaluierung entnahm im Verhältnis 6000 Fragen aus 48 öffentlichen chinesischen und englischen Datensätzen, die vier Aufgabentypen abdecken: Intent-Verständnis, Entitätserkennung, Relationsextraktion und Ereignisextraktion. Geprüft wird nicht nur, „in welche Kategorie etwas eingeordnet wird“, sondern auch, „was konkret extrahiert wurde“.

Am Beispiel der Lichtanweisung von vorhin: Es genügt nicht, nur „Lichtsteuerung“ zu erkennen; es müssen auch Informationen wie „Schlafzimmer“, „Lampe“ und „warmgelb“ extrahiert werden. Dieses Beispiel dient der Erläuterung der Bewertungsanforderungen: eine korrekte Kategorie bei fehlendem oder falschem Inhalt zählt nicht als vollständig korrektes Extraktionsergebnis.

Die Gesamtpunktzahl wird zunächst je Aufgabentyp der vier Kategorien berechnet und anschließend gleichgewichtet gemittelt; sie stellt daher die Gesamtleistung über die vier Aufgabentypen dar und ist nicht die direkt über alle 6000 Fragen zusammengefasste Erfolgsquote. Bei allen Kennwerten der folgenden Tabelle gilt: je höher der Wert, desto besser das Ergebnis.

Xing4.0-29B-Intent erreichte eine Gesamtpunktzahl von 58 und liegt damit über der höchsten Gesamtpunktzahl von 49 der 18 in dieser Evaluierung vertretenen gängigen Allzweckmodelle am Markt; auch die Punktzahlen in den vier Aufgabentypen liegen jeweils über denen der in dieser Evaluierung vertretenen Allzweckmodelle.

Dieses Ergebnis zeigt, dass Xing4.0-29B-Intent unter den Aufgaben und Einstellungen dieser Evaluation besser darin ist, gleichzeitig die Kategoriebestimmung und die Inhaltsextraktion durchzuführen, und nicht nur die richtige Kategorie auswählen kann.

Gruppe 2: Nur die Kategoriebestimmung betrachten Kann ohne Auslassung und ohne Überauswahl gewählt werden

Die zweite Gruppe der Evaluation bewertet weder Parameter noch die konkrete Inhaltsextraktion, sondern vergleicht ausschließlich, ob die Modelle die auszugebenden Kategorien vollständig und präzise finden können. Die Evaluation umfasst insgesamt 5606 Aufgaben, darunter 3940 Aufgaben mit einer einzigen richtigen Kategorie und 1666 Aufgaben mit mehreren richtigen Kategorien; in diesen Aufgaben befinden sich zudem 839 Negativbeispiele mit „nicht extrahierbarem Inhalt“, mit denen überprüft wird, ob die Modelle Kategorien fälschlicherweise angeben, wenn kein Zielinhalt vorhanden ist.

Jev nimmt mit zwei Antwortarten am Test teil: „1 aus N“ bedeutet, aus den Kandidatenkategorien eine einzige Antwort auszuwählen; „einzeln mit Ja/Nein beurteilen“ bedeutet, jede Kandidatenkategorie der Reihe nach darauf zu prüfen, ob sie zutrifft. Die folgende Tabelle behält GPT-6-Luna weiterhin als Referenz eines allgemeinen Modells bei; die beiden Antwortarten beziehen sich nur auf Jev und gelten nicht für alle Modelle in der Tabelle.

Was bei dieser Tabelle wirklich zu betrachten ist, umfasst zwei Ebenen: Die Gesamtentscheidungspunktzahl fasst zunächst die drei Unterpunkte Einfachauswahl, Mehrfachauswahl und Negativbeispiele zu einer gesamten Entscheidungspunktzahl zusammen und zeigt, wie gut das Modell insgesamt „präzise trifft, vollständig findet und nichts Falsches meldet“; die drei Unterpunkte betrachten jeweils eine einzelne Sache – ob bei der Einfachauswahl das einzige Ziel präzise getroffen wird, ob bei der Mehrfachauswahl alle zu wählenden Kategorien ohne Auslassung angekreuzt werden und ob bei den Negativbeispielen Zurückhaltung gewahrt wird und nichts Falsches gemeldet wird, wenn kein Zielinhalt vorhanden ist. Die Gesamtpunktzahl zeigt das Ganze, die Unterpunkte zeigen Schwachstellen – nur wenn beides übereinstimmt, sind die Fähigkeiten des Modells solide.

Bei den Kategorieentscheidungen dieser Evaluierung liegt das Xingchen-Modell beim Entscheidungsgesamtergebnis sowie bei den drei Teilbereichen Einzelwahl, Mehrfachwahl und Negativbeispiele durchgängig vor den beiden Vergleichsmodellen (den beiden Antwortvarianten von Jev und GPT-6-Luna). Der Kernpunkt ist: Die beiden fehleranfälligsten Szenarien – die Erkennung mehrerer Ziele und die Vermeidung von Fehlalarmen bei Negativbeispielen – sind genau die Stellen, an denen das Xingchen-Modell den Vorsprung ausbaut. Bei Mehrfachwahlaufgaben kann es alle zutreffenden Kategorien vollständiger erfassen, und in Negativszenarien wagt es, eine „leere Antwort“ abzugeben – es lässt lieber die Hände leer, als notdürftig Kategorien anzukreuzen. Das zeigt, dass es nicht nur weiß, „was der Nutzer will“, sondern auch bei unklaren Kategoriegrenzen oder fehlenden Informationen stabilere Urteile trifft, statt sich allein auf eine hohe Trefferquote zu verlassen.

*Die oben genannte Evaluierung wurde vom technischen Team unseres Unternehmens durchgeführt. Die Ergebnisse spiegeln die Leistung der teilnehmenden Modelle unter den Evaluierungsdaten und Testeinstellungen dieser Evaluierung wider und stellen nicht die Leistung bei allen Aufgaben und in tatsächlichen Einsatzszenarien dar. Detaillierte Einstellungen zur Testumgebung und Testmethodik der Evaluierungsexperimente in diesem Artikel erhalten Sie über eine Nachricht an das technische Team über den Hintergrundbereich. Entwickler und Forscher sind herzlich eingeladen, sich zu Evaluierungsmethoden, Ergebnisdarstellung und Anwendungsanpassung auszutauschen.

04 Zur Anwendung: Für wen eignet sich dieses Modell?

Was die konkreten Anwendungen betrifft, übernimmt Xing4.0-29B-Intent im Kundendienstsystem des Telecom-Wanhao die Erkennung von Gesprächsintents und das intelligente Routing von Tickets und unterstützt so die Klassifizierung und Weiterleitung verschiedener Kundenanliegen. Auf Endgeräten wie Smart-Home-Lautsprechern wandelt Xing4.0-29B-Intent umgangssprachliche Nutzeranweisungen in strukturierte Befehle um, die das Gerät weiterverarbeiten kann, und verbindet so natürlichsprachliche Interaktion mit Gerätebedienung.

Wenn Sie arbeiten an:

Endgeräteinteraktion

Sprachassistenten für Smartphones / intelligente Cockpits / IoT-Zentralen

Sie müssen Intents erkennen und Parameter extrahieren, und Ihnen sind große Modelle zu langsam und zu teuer;

ToB-Kundendienst / Unternehmens-IM-Bots

In der Cold-Start-Phase des Geschäfts fehlen ausreichend annotierte Daten, und Sie möchten nicht für jeden neuen Intent Unmengen an Beispielen annotieren;

Agent-/Function-Calling-Anwendungen

Sie benötigen eine stabile, hallucinationsarme „semantische Eingangsschicht“.

Dann ist Xing4.0-29B-Intent genau das Richtige für Ihren Tech-Stack.

Für Agent-Anwendungen, die Tools aufrufen müssen, bietet das Modell Fähigkeiten zur Intent-Erkennung und zur Extraktion von Funktionsaufruf-Parametern und liefert damit Eingaben für die anschließende Ausführung.

05 offenes Schema + 2,75 Millionen Korpora,Viel Spaß beim Ausprobieren

Xing4.0-29B-Intent wurde auf Basis des allgemeinen Xingchen-Basismodells Xing4.0-29B-A4B feinabgestimmt und mit speziellem Korpus für strukturierte Ausgabefähigkeiten trainiert. Diese Open-Source-Veröffentlichung umfasst die folgenden vier Arten von Ressourcen:

01 2,753 Millionen Datensätze Supervised-Fine-Tuning-Trainingskorpus

Rekonstruiert aus 61 öffentlichen Datensätzen, abdeckend 19 Domänen und 52 Sprachen.

02 Korpus für Intent-Verständnis auf Endgeräten

Das Xingchen-Labor für allgemeine künstliche Intelligenz hat für Szenarien intelligenter Interaktion auf Mobilgeräten den chinesischen Benchmark für gesprochensprachliches Verständnis CMPA-SLU aufgebaut; die entsprechende Arbeit wurde bei der EMNLP 2026 unter dem Titel 《CMPA-SLU: A Benchmark for Chinese Mobile Personal Assistant Spoken Language Understanding》 angenommen.

03 Modellgewichte von Xing4.0-29B-Intent

Unterstützt Intent-Erkennung, Parameterextraktion sowie strukturierte Ausgaben in einheitlichem Format.

04 Offizielles Inferenz-Image

Wird zusammen mit dem Code-Repository bereitgestellt und stellt ergänzende Ressourcen für Modellbereitstellung und Erprobung zur Verfügung.

Entwickler sind eingeladen, Evaluationen und Tests für ihre eigenen Szenarien durchzuführen und über das Code-Repository Fragen und Vorschläge zurückzumelden.

GET STARTED

Aufrufadresse der Tianyi-AI-Open-Plattform:

https://www.teleai.com.cn/doc/1MBaE2xId9JYYxLXUz2R/3jUbsGzfAj0Qe4A38Y0s

Code-Repository:

https://github.com/XingChen-AGI/Xing4.0-29B-Intent

Code-Lizenz:

Apache 2.0 – Datensätze und Modellgewichte werden gleichzeitig auf Hugging Face verfügbar gemacht

Aufrufadressen der Open-Source-Community:

HuggingFace: https://huggingface.co/XingChen-AGI/Xing4.0-29B-Intent

HuggingFace-Datensatz: https://huggingface.co/datasets/XingChen-AGI/Xing4.0-29B-Intent-oss

GitHub: https://github.com/XingChen-AGI/Xing4.0-29B-Intent

ModelScope: https://www.modelscope.cn/models/XingChen-AGI/Xing4.0-29B-Intent

ModelScope-Datensatz: https://www.modelscope.cn/datasets/XingChen-AGI/Xing4.0-29B-Intent-oss

Modelers: https://modelers.cn/models/XingChen-AGI/Xing4.0-29B-Intent

Dieser Artikel wurde von Huawei bereitgestellt; QbitAI wurde mit der Wiederveröffentlichung beauftragt. Die Meinungen liegen beim ursprünglichen Autor.