‘객관식 풀기’와 ‘빈칸 채우기’를 모두 할 수 있는 모델—星辰(Chenxing) 의도 이해 모델 Xing4.0-29B-Intent 공개

중국전신 인공지능 과학기술유한공사(China Telecom AI)星辰 범용 인공지능 실험실이 의도 이해 전용 모델 Xing4.0-29B-Intent를 정식 발표하고 오픈소스로 공개하며, 동시에 275만 건의 학습 코퍼스, 모델 가중치 및 추론 이미지를 함께 공개했다. 이 모델은 의도 인식과 파라미터 추출을 결합하여, 사용자의 한마디를 업무 시스템이 계속 처리할 수 있는 구조화된 정보로 변환한다.

현재 Xing4.0-29B-Intent 모델의 기능은 전신(電信) 10000 고객센터, 스마트홈 스피커 등 단말 제품에 적용되기 시작했으며, 대화 의도 인식, 공단(工單) 스마트 라우팅, 구어 지시 해석을 지원하고 있다. 이번 오픈소스 공개는 더 많은 개발자에게 모델 및 관련 리소스를 제공하여 각자의 비즈니스 시나리오에 접목할 수 있도록 지원한다.

01 객관식 문제인가 빈칸 문제인가

"침실 조명을 따뜻한 노란빛으로 바꿔줘." 일상적인 기기 조작 지시 한마디에는 사용자가 하려는 일과 조작 완료에 필요한 구체적인 정보가 모두 담겨 있다. 시스템은 이러한 정보를 자연어 표현에서 추출해야 이후 애플리케이션이 처리할 수 있다.

이 문장에서 '조명 제어'라고 판단하는 것만으로는 부족하다. 시스템은 다음을 알아야 한다: 어느 방? 침실; 어떤 기기? 조명; 어떤 상태로? 따뜻한 노란빛.

Jev류 의사결정 모델은 주로 ‘객관식 문제를 풀며’, 유형화된 결정을 반환하여 주어진 후보 중에서 답을 선택한다. 파라미터 추출은 ‘빈칸 채우기 문제를 푸는 것’에 해당하며, 작업 완료에 필요한 구체적인 정보를 추출한다. Xing4.0-29B-Intent는 이 두 가지 유형의 작업을 동시에 지원하며, 한 문장에 여러 의도, 여러 파라미터, 여러 개체가 포함된 경우도 지원한다.

모델은 통합 스키마 기반 의미 구문 분석 프레임워크(USP, Unified Schema-driven Semantic Parsing)를 채택하여 '카테고리＋파라미터'의 계층 구조로 결과를 조직하고, 사전에 정의된 필드 규칙에 따라 JSON 형식 정보를 출력한다. 의도 이해, 개체명 인식, 관계 추출, 이벤트 추출 등 이기종 작업 목표는 통일된 하나의 입력·출력 형식 제약을 채택하여, 하류 작업의 빠른 연동과 안정적인 파싱을 가능하게 하고 이전 비용이 매우 낮다.

02 왜 범용 대형 모델을 바로 쓰지 않는가?

여기까지 읽으면 이런 의문이 들 수 있다. 범용 대형 모델이 이미 '만능'이 되지 않았는가, 왜 굳이 별도의 의도 이해 모델이 필요한가?

이런 시나리오에서 범용 대형 모델은 세 가지 '선천적 약점'을 가지고 있기 때문이다.

첫째, 출력 속도

범용 대형 모델은 '생각을 마친 뒤 답하는' 습관이 있어 수백에서 수천 자에 이르는 긴 추론을 수행한다. '공단을 누구에게 넘길지'와 같은 질문의 경우, 말이 끝나기도 전에 고객은 이미 전화를 끊었을 것이다. Xing4.0-29B-Intent는 작업 처리에 필요한 핵심 의사결정 정보에만 빠르게 응답하며, 긴 추론 없이 평균 수십 개의 token만 출력하여, 전체 결과 응답 지연을 밀리초 수준(백분의 일초급)으로 줄일 수 있다.

둘째, 의사결정 비용

분류와 정보 추출에 범용 대형 모델을 쓰는 것은 닭 잡는 데 소 잡는 칼을 쓰는 격이다. 의도 이해 모델은 규모가 작고 호출 비용이 적게 들며, 하나의 시나리오에서 하루에 백만 번 이상 호출해야 하는 경우 비용 차이가 배수로 확대된다.

셋째, 의사결정 신뢰성

범용 대형 모델의 출력은 자유 텍스트이므로, 같은 질문에 대해 열 가지 표현이 나올 수 있어 하류 시스템이 안정적으로 파싱하기 어렵다. 의도 이해 모델의 출력은 사전 정의된 구조 안에 엄격히 제약된다. 필드가 고정되고 형식을 검증할 수 있어 '자유로운 발휘'의 여지를 남기지 않는다.

한 문장으로 요약하면: 응답 신속성 요구가 높고, 시나리오가 상대적으로 수렴하며, 의사결정 실행이 상대적으로 명확한 곳에서는 의도 이해 모델이 범용 대형 모델보다 더 빠르고, 더 저렴하고, 더 신뢰할 수 있는 선택이다.

이 분야에는 이미 선구자가 있다. Jev로 대표되는 경량 의사결정 모델이 출시된 후 빠르게 개발자 커뮤니티의 뜨거운 화제가 되었다. 시장의 반응은 하나의 판단을 입증했다. 의도 이해는 대형 모델의 '강력한 추론'에 의존할 필요가 없으며, 전용 소형 모델도 빠르고 정확하게 해낼 수 있다.

03 성능이 말해준다 두 그룹의 평가로 인식과 추출 능력을 검증

모델이 사용자의 다중 의도 및 세분화된 요구를 이해할 수 있는지는 두 가지 측면에서 검증할 수 있다. 첫째는 카테고리를 정확히 판단하면서 구체적 내용도 정확히 추출하는 것, 둘째는 카테고리 판단만 볼 때 누락이나 과다 선택 없이 수행할 수 있는 것이다. 기술팀은 이에 따라 완전한 추출 결과와 카테고리 판단 능력을 각각 검증하는 두 그룹의 평가를 진행했다.

첫 번째 그룹: 카테고리만이 아니라 구체적 내용도 정확해야

첫 번째 그룹 평가는 48개 중·영문 공개 데이터셋에서 비율에 따라 6000문제를 추출했으며, 의도 이해, 개체명 인식, 관계 추출, 이벤트 추출의 네 가지 작업을 다룬다. 이 평가는 '어느 카테고리로 분류되는가'뿐만 아니라 '구체적으로 무엇을 추출했는가'도 검증한다.

앞서 언급한 조명 지시를 예로 들면, '조명 제어'라고 판단하는 것만으로는 부족하며, '침실', '조명', '따뜻한 노란빛' 등의 정보까지 추출해야 한다. 이 예는 채점 기준을 설명하기 위한 것이다. 카테고리가 정확하더라도 내용이 누락되거나 잘못되면 완전하고 올바른 추출 결과로 인정되지 않는다.

총점은 먼저 네 가지 작업에서 각각 계산한 뒤 동일 가중치로 평균을 내므로, 네 가지 작업의 종합 성능을 대표하며, 6000문제를 직접 합산해 계산한 정답률이 아니다. 아래 표의 각 항목 지표는 점수가 높을수록 성능이 좋다.

Xing4.0-29B-Intent의 총점은 58점으로, 이번에 참가한 18개 시판 주류 범용 모델의 최고 총점 49점보다 높았다. 네 가지 작업의 항목별 점수 역시 모두 이번에 참가한 범용 모델보다 높았다.

이 결과는 이번 평가의 과제와 설정에서 Xing4.0-29B-Intent가 카테고리 판단과 내용 추출을 동시에 수행하는 면에서 더 좋은 성과를 보였으며, 단순히 카테고리를 올바르게 선택할 수 있기만 한 것이 아니었음을 보여준다.

두 번째 그룹: 카테고리 판단만 평가 누락 없이도 과다 선택 없이도 정확히 선택할 수 있는가

두 번째 그룹 평가는 파라미터나 구체적인 내용 추출을 평가하지 않고, 모델이 출력해야 할 카테고리를 빠짐없이 찾아내고 정확하게 선택할 수 있는지만 비교한다. 평가는 총 5606문제로 구성되며, 단일 정답 카테고리 문제 3940문제와 다중 정답 카테고리 문제 1666문제를 포함한다. 이 문제들 중에는 대상 내용이 없을 때 모델이 카테고리를 잘못 보고하는지 검증하기 위한 '추출할 내용 없음' 부정 예제 839문제도 포함되어 있다.

Jev는 두 가지 답변 방식으로 테스트에 참여했다. 'N선1'은 후보 카테고리 중 하나의 답을 선택하는 방식이고, '하나씩 예/아니오 판단'은 각 후보 카테고리가 해당하는지를 순서대로 판단하는 방식이다. 아래 표에는 범용 모델 참조로 GPT-6-Luna를 함께 유지하였으며, 두 답변 방식은 Jev에만 해당하고 표의 모든 모델에 적용되는 것은 아니다.

이 표에서 실제로 봐야 할 것은 두 층이다. 첫째, 의사결정 총점은 단일 선택, 다중 선택, 부정 예제 세 하위 항목을 하나의 총 의사결정 점수로 압축한 것으로, 모델이 '정확히 찾고, 빠짐없이 찾고, 잘못 보고하지 않는' 종합 수준을 본다. 둘째, 세 하위 항목은 각각 한 가지씩을 본다. 단일 선택은 유일한 목표를 정확히 겨냥할 수 있는지, 다중 선택은 선택해야 할 카테고리를 하나도 빠뜨리지 않고 모두 찍을 수 있는지, 부정 예제는 대상 내용이 없을 때 자제하여 잘못 보고하지 않는지를 본다. 총점은 전체를, 하위 항목은 약점을 보여주며, 둘이 일치해야 모델의 능력이 탄탄하다고 할 수 있다.

이번 평가의 카테고리 결정 항목에서, Xingchen 모델은 결정 총점과 단일 선택, 다중 선택, 네거티브 예시 세 개의 세부 항목 모두에서 두 개의 비교 모델(Jev의 두 가지 답변 방식 및 GPT-6-Luna)을 전면적으로 앞섰습니다. 핵심은 다음과 같습니다: 다중 목표 식별과 네거티브 예시 오경보 방지라는 가장 실수하기 쉬운 두 시나리오야말로 Xingchen 모델이 격차를 벌린 부분입니다 — 이 모델은 다중 선택 과제에서 선택해야 할 모든 카테고리를 더 완전하게 특정해내며, 네거티브 예시 시나리오에서는 과감히 “백지 답안”을 제출할 수 있어, 억지로 수를 채우는 선택보다는 차라리 빈손으로 두는 것을 택합니다. 이는 단순히 적중률이 높아서가 아니라, “사용자가 무엇을 원하는지” 아는 것뿐만 아니라 카테고리 경계가 모호하거나 정보가 부족한 상황에서도 더 안정적인 판단을 내릴 수 있음을 보여줍니다.

*상기 평가는 본사 기술팀이 수행하였으며, 평가 결과는 이번 평가 데이터 및 테스트 설정 하에서의 참여 모델의 성능을 반영하며, 모든 작업 및 실제 배포 환경에서의 효과를 대표하지 않습니다. 본 문서의 평가 실험 환경 및 테스트 방법의 상세 설정은 백그라운드 메시지를 통해 기술팀에 연락하여 받으실 수 있으며, 개발자와 연구자 여러분의 평가 방법, 결과 재현 및 응용 적용에 관한 교류를 환영합니다.

04 응용에 대하여: 이 모델은 누구에게 적합한가?

구체적인 응용 측면에서, 통신 만호(10000호) 고객센터 시스템에서 Xing4.0-29B-Intent는 대화 의도 식별과 스마트 공단(티켓) 라우팅을 담당하여 다양한 고객 요구의 분류와 전달을 지원합니다. 스마트 홈 스피커 등 단말 제품에서 Xing4.0-29B-Intent는 사용자의 구어 명령을 기기가 추가로 처리할 수 있는 구조화된 명령으로 변환하여, 자연어 상호작용과 기기 조작을 연결합니다.

만약 당신이 이런 일을 하고 있다면:

단말 상호작용

휴대폰 음성 비서 / 스마트 콕핏 / IoT 중앙제어

의도를 판별하고 파라미터도 추출해야 하는데, 대형 모델이 느리고 비싸다는 점이 불만이라면;

ToB 고객센터 / 기업 IM 봇

사업 콜드 스타트 단계에서 충분한 레이블 데이터가 없고, 새로운 의도마다 방대한 샘플을 레이블링하고 싶지 않다면;

Agent / Function Calling 응용

안정적이고 저환각(hallucination)인 “시맨틱 엔트리 레이어”가 필요하다면.

그렇다면, 당신은 Xing4.0-29B-Intent를 기술 스택에 넣기에 아주 적합합니다.

도구 호출이 필요한 에이전트 애플리케이션의 경우, 모델은 의도 인식 및 함수 호출 파라미터 추출 기능을 제공하여 후속 실행에 필요한 입력을 제공합니다.

05 오픈 Schema + 275만 코퍼스,사용을 환영합니다

Xing4.0-29B-Intent는 星辰 범용 기반 모델인 Xing4.0-29B-A4B를 파인튜닝한 것으로, 전용 코퍼스를 사용하여 구조화된 출력 능력을 학습했습니다. 이번 오픈소스는 다음 네 가지 유형의 리소스를 포함합니다:

01 감독 파인튜닝 학습 코퍼스 275.3만 건

61개 공개 데이터셋을 재구성한 것으로, 19개 분야, 52개 언어를 커버합니다.

02 단말 의도 이해 코퍼스

星辰 범용 인공지능 실험실은 모바일 지능형 상호작용 시나리오를 대상으로 중국어 구어 이해 벤치마크 CMPA-SLU를 구축하였으며, 관련 성과는 《CMPA-SLU: A Benchmark for Chinese Mobile Personal Assistant Spoken Language Understanding》라는 제목으로 EMNLP 2026에 채택되었습니다.

03 Xing4.0-29B-Intent 모델 가중치

의도 인식, 파라미터 추출 및 통일된 형식의 구조화된 출력을 지원합니다.

04 공식 추론 이미지

코드 저장소와 함께 제공되며, 모델 배포 및 시험 사용을 위한配套 리소스를 제공합니다.

개발자 여러분이 자신의 시나리오를 중심으로 평가와 시험 사용을 진행하고, 코드 저장소를 통해 문제와 제안을 피드백해 주시기 바랍니다.

GET STARTED

천이AI 오픈 플랫폼 호출 주소:

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

코드 저장소:

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

코드 라이선스:

Apache 2.0 데이터셋과 모델 가중치는 Hugging Face에서 동시에 공개됩니다

오픈소스 커뮤니티 호출 주소:

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

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

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

모델스코프(魔搭)：https://www.modelscope.cn/models/XingChen-AGI/Xing4.0-29B-Intent

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

모델러스(魔乐)：https://modelers.cn/models/XingChen-AGI/Xing4.0-29B-Intent

본 글은 화웨이(Huawei)가 제공하였으며, 양자웨이(量子位)의 전재 허가를 받았고, 견해는 원저자에게 귀속됩니다.