中国电信开源Xing4.0-29B，全栈国产轻量级智能体模型

发布时间：2026-09-22 04:00 更新时间：2026-09-22 04:00 阅读量：0

9月17日，中国电信发布了星辰Xing4.0-29B-A4B，官方将其定位为国内首个全栈国产的轻量级代码智能体大模型。这款模型的看点并不只在参数规模，而在于它从训练到部署这条链路上，尽量走通了国产化的路径。对于经常要评估模型能不能落到自己服务器上的站长和运维来说，这类“小体积、能干活”的模型值得留意。

架构与硬件门槛：29B总参数只激活4B

Xing4.0-29B-A4B采用MoE（混合专家）架构，总参数29B，但每次推理激活的参数只有4B。这种设计的好处是显存占用和计算量都明显低于同规模稠密模型。据了解，该模型在4-bit量化后显存占用约15GB，这意味着单张RTX 3090或4090就有机会本地跑起来，不需要动辄多卡A100/H800的集群。对于预算有限的中小团队或自建推理服务的站长，这是一个比较现实的起点。

上下文方面，模型原生支持256K，并具备扩展到512K的能力。官方信息显示，它是国内首个基于国产算力（昇腾训练）加国产框架完成训练的百亿参数模型，训练过程不依赖国外GPU生态。这一点对关注供应链稳定性的企业用户来说，参考价值比较高。

从“会回答”到“会做事”：智能体能力评测第3

这款模型的主攻方向是“执行”，也就是任务规划、工具调用和自主执行，而不是单纯的问答。在SuperCLUE的智能体能力评测中，Xing4.0-29B-A4B拿到93.52分，位列第3，与头部Qwen模型的差距不到1分。需要说明的是，评测分数会随榜单更新和评测条件变化，具体以官方榜单和实际环境为准。

模型权重已在Hugging Face、GitHub、Gitee、魔搭、魔乐等平台开源。下面是一个用transformers加载模型的示意写法，实际模型名称、精度和依赖版本请以官方仓库说明为准：

pip install transformers accelerate torch

python -c "
from transformers import AutoModelForCausalLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('MODEL_REPO', trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained('MODEL_REPO', device_map='auto', trust_remote_code=True)
print('loaded')
"

如果要在自己的服务器上部署，建议先确认显卡驱动、CUDA版本与框架的兼容性，再根据显存决定是否启用4-bit量化。量化能省显存，但可能带来轻微的效果损失，属于需要实测权衡的部分。

轻量智能体正在成为一条现实路线

把这款模型放回整个9月的国产大模型动态里看，方向会更清楚。智谱在9月18日上线了GLM-5.3-FlashX，最高速度200 tokens/s，推理算力由10万张国产芯片承载；阶跃星辰9月20日发布Step 5 Preview，总参数6000亿、激活270亿，并计划10月15日开源完整权重。与此同时，中国电信选择把29B总参数、4B激活的轻量智能体模型直接开源，覆盖的是另一类需求：不是追求榜单上限，而是让中小团队在可接受的硬件成本下把Agent跑起来。

对于做建站、运维和内部工具的人来说，这类模型的实际用途包括工单分类、日志摘要、脚本生成和简单的自动化流程编排。需要提醒的是，本地部署只是第一步，权限控制、调用审计和输出校验同样不能省。模型能“做事”意味着它可能真的去执行命令或调用接口，边界要提前划清楚。后续中国电信还计划推出更大参数规模的Xing4.0系列，具体参数与时间以官方公告为准。

继续阅读