前段时间聊到 Jev 和 Instinct 时提到人脑的「快思考与慢思考」：大模型擅长一步步推理的慢思考，但业务里海量的活其实只需要快判断。
让大模型来做这种判断，就像每次递杯子前都先写一份分析报告——慢，而且贵。
不过在真实的业务里，光做选择题往往不够用。用户说「订单 445566 到哪了」，系统不仅要知道他是要查物流，还得把「445566」这个单号一并抽出来，后面的工单才能跑通。
中电信星辰实验室开源的意图理解专用模型 Xing4.0-29B-Intent（简称 Xing），补的就是这后半步。
项目地址：github.com/XingChen-AGI/Xing4.0-29B-Intent
又一个专门用于意图判断的小模型，不同的是它既能做选择题，也能做填空题——在做分类判断的同时，把关键参数一并提出来。
这里的「意图」指用户想办什么事；「参数」指办这件事需要的具体信息，比如订单号、时间、地点。
第一条请求从广州的腾讯云服务器发出，到收完整个 JSON 一共 334 毫秒，差不多眨一下眼的工夫。这是算上公网和网关的端到端时间，模型自己推理那一段还要更快。
整体实测下来效果很稳，Xing 模型不仅分得清要干嘛，具体的设备和时间基本都没填错。
AI 的系统一，是怎么分出来的
在 2022 年大模型大火之前，意图理解在业务里就一直在用。电信客服等场景早前主要靠 BERT 这类小模型来给意图和槽位打标。但每加一个新意图都要重新标数据、重新训练，换个行业基本得从头来。
大语言模型出来后，泛化能力极强，不用额外训练就能识别各种复杂意图。于是大家开始让大模型按固定格式输出 JSON，程序拿到再去执行。能用了，但每次判断要等好几秒。
所以把系统一单独拆出来的路线成了行业新解法：先是 Jev 专攻极速判断，紧接着 Xing 补全了参数提取，把填空题也一起做完。
Xing4.0-29B-Intent 基于 Xing4.0-29B-A4B 微调，每次推理只调用其中的 4B。星辰实验室直接把全家桶开源：训练语料、模型权重、推理 SDK 和部署镜像全部公开。
在官方评测里，它的严格全对总分达到了 58，而海外通用大模型中最高的 Gemini-3.6-Flash 是 49。差距主要在参数提取上。
基础测试：写一份说明就能用
要想用 Xing，得先给它写一份说明，交代清楚有哪些意图、什么样的话归入这个意图、需要提取哪些参数，再把用户说的话一起发给它。
CASE 01：设备运维
拿工厂设备运维场景试了试，写了一份说明：四类意图加一个兜底，分别是查设备状态、报设备故障、查工单进度、调运行参数。20 道题，意图和返回格式全部答对。
时延方面，从广州的云服务器发出，保持同一个连接、一条接一条地发，中位数是 372 毫秒，最快 238 毫秒，最慢 655 毫秒。
不过参数提取这块还是翻了车。20 条里有 8 条没填干净，比如下面这条，它直接把产线名「二号线」错填进了设备栏。
CASE 02：智能家居
不管用户口语怎么表达，电器的开关、模式调节和设备状态查询都很明确，天然适合交给这类模型来处理。24 条指令，对了 23 条。
唯一错的一条，也是因为说明里两个分类的边界没写干净。另外它偶尔会沿用口语，比如该填「关闭」时填成了「关掉」，执行前加一步简单的词表归一化就能解决。
智能客服：不用来回答，用来打辅助
换成 Xing 这种专用系统一之后，最大的改变就是速度：响应基本是秒出（四五百毫秒）。拿企业客服说明对应的常见业务测了 14 条，意图判断对了 12 条。
泛化太强偶尔也会过度脑补：比如「耳机的左耳没声音」，用户没提具体型号，它太想把参数填满，顺手把「耳机」俩字填进了型号栏。这类小失误在工程上加一道后置规则就能解决。
比起一味强推全自动的智能客服，让 AI 在旁边给真人打好辅助、秒级提供对应材料，提效反而来得更快、更稳。
如果遇到更复杂的需求，也可以让模型判断之后，直接把问题上升到更大的通用模型（比如 Kimi K2.8）去做深度推理。
输入框变成工具：逐字路由 + AI 伴写
用 Codex 做了一个网页版的 demo，比如上一句刚聊完项目周报，接着只敲了「发给」两个字，后台就预判出发送消息的意图，并把「项目周报」抓取并填进了参数栏。
敲一个字发一次请求，四五百毫秒就能返回。
这种预判本质上就是把 Agent 的工具路由直接做进了输入行。键盘刚敲到「订个会议室」，后台就已经锁定了会议室工具。
落地前的取舍
实测时有个很有意思的细节：因为直连官方 API，响应速度太快、调用太密集，测试时甚至好几次把接口给打熔断了。
不过抛开频控限制，实际用下来体感非常丝滑，键盘敲击只要稍微一停顿，光标后立刻就会浮出一行灰色的短句建议。
总结
Xing4.0-29B-Intent 代表了一条清晰的技术路线：把「系统一」从大模型中独立出来，专攻毫秒级的意图判断和参数提取。对于语音助手、智能客服、智能家居等强业务场景，这种「快思考」模型能在几百毫秒内给出结构化结果，让程序直接读取并执行。
它不是大模型的替代品，而是大模型的加速器——把即时判断的活交给小模型，把复杂推理的活留给大模型，各得其所。
