Xing4.0-29B-Intent خدام

Xing4.0-29B-Intent هو موديل متخصص ففهم النوايا، مفتوح المصدر من مختبر Xingchen، ومدرّب بتحسين دقيق انطلاقاً من Xing4.0-29B-A4B. كيعتمد Xing4.0-29B-Intent على بنية الفئة＋المعلمات، وكيحوّل اللغة الطبيعية ديال المستخدم فآن واحد لنتائج تصنيف النية واستخراج المعلمات، وكيَدعم أربع فئات ديال المهام: التعرّف على النية، والتعرّف على الكيانات، واستخراج العلاقات، واستخراج الأحداث. مخرجات الموديل ما كتفوتش غير بضع عشرات ديال الـtoken، وزمن الاستجابة فمستوى مئات الميليثواني. جاب مجموع 58 فالتقييم وتفوّق على 18 موديل عام، وتطبّق فعلاً فخدمة الزبناء فالاتصالات والدار الذكية، وكيصلح كطبقة الولوج الدلالي ديال Agent.

التعرّف على النية: كيحدد لأي فئة خدمية كتنتامي جملة المستخدم، وكيَدعم النية الواحدة والنوايا المتعددة فالجملة نفسها.
استخراج المعلمات: مع التعرّف على النية، كيستخرج الكيانات والقيم والخصائص اللازمة لإنجاز المهمة.
إخراج موحّد ومهيكل: كينظم النتائج بصيغة JSON ديال ”الفئة＋المعلمات”، وكتشترك مهام التعرّف على النية والكيانات والعلاقات والأحداث كاملين فنفس صيغة الإدخال والإخراج.
تحليل متوازي للمهام: كيدعم جملة فيها نوايا متعددة ومعلمات وكيانات متعددة، وكيقدر يرجّع مجموعات متعددة من النتائج دفعة وحدة فمصفوفة JSON.
التكييف الموجّه بـSchema: المطوّر كيحدد مسبقاً الفئات المحتملة، وشرح كل فئة، والحقول اللي يمكن استخراجها؛ والموديل كيتعرّف عليها وكيعمرها داخل إطار الخدمة المحدد.
مدخل دلالي لـFunction Calling: كيوفر لتطبيقات Agent/العملاء الأذكياء تحديد النية واستخراج معلمات استدعاء الدوال، وكيصل اللغة الطبيعية بتنفيذ أنظمة الأعمال.

تابع الحساب فـWeChat وردّ بـ“开源” باش تنضم لمجموعة تبادل مشاريع الذكاء الاصطناعي مفتوحة المصدر
القاعدة والبنية ديال الموديل: الموديل مبني على القاعدة العامة ديال Xingchen، Xing4.0-29B-A4B، وتدرّب عليها بتحسين دقيق، وكيستعمل بنية MoE بإجمالي حوالي 29 مليار معلمة، وما كينشّط غير حوالي 4 مليارات معلمة لكل Token، وهادشي كيخليه يحافظ على القدرة ديال الإخراج المهيكل مع تكلفة حسابية قليلة وزمن استجابة فمستوى مئات الميليثواني.
إطار التحليل الدلالي الموحّد المدفوع بـUSP: كيعتمد الموديل إطار USP اللي كيوحّد مهام فهم النية والتعرّف على الكيانات واستخراج العلاقات والأحداث وغيرها من المهام المختلفة، وكيقيّدها كاملين فصيغة إخراج JSON هرمية ديال ”الفئة＋المعلمات”. بهاد الطريقة، الأنظمة اللاحقة ما كتحتاجش تكيّف منطق التحليل لكل نوع ديال المهام بوحدو، وكتكون تكلفة النقل والربط منخفضة بزاف.
آلية التوليد المقيّد بـSchema: وقت الاستدلال، خاص المطوّر يوفّر تعريف الفئات المحتملة وشرحها والحقول اللي يمكن استخراجها. الموديل كيكمل التعرّف والتعمير داخل قواعد الحقول المحددة، وكيكون الإخراج مقيّداً بشكل صارم فالبنية المحددة مسبقاً، باش يتفادى عشوائية النص الحر ويضمن حقولاً واضحة، وصيغة قابلة للتحقق، وهلوسة قليلة.
التدريب على الإخراج المهيكل: استعمل الموديل حوالي 2.753 مليون عينة متخصصة ديال التدريب الخاضع للإشراف مع التحسين الدقيق، معاد بناؤها من 61 مجموعة بيانات مفتوحة، وكتغطي 19 مجالاً و52 لغة، باش يتعلم الإخراج المهيكل. وبهذا كيقدر يكمل سلسلة القرار كاملة ديال تحديد النية＋استخراج المعلمات بمتوسط ما كيتعداش بضع عشرات ديال الـtoken.

الحصول على الموارد: حمّل أوزان الموديل، ومستودع الكود، ومجموعات البيانات المرافقة من GitHub أو HuggingFace.
تحضير البيئة: نصّب صورة الاستدلال الرسمية، أو تبع توثيق الموديل الأساسي وبني خدمة الموديل باستعمال vLLM أو SGLang.
تثبيت SDK: ربط الموديل باستعمال Python SDK اللي كيوفره المستودع، أو عيّط لـAPI السحابية ديال منصة Tianyi AI المفتوحة واستعملو بلا نشر محلي.
تعريف Schema ديال الخدمة: صرّح بفئات النوايا المحتملة، وشرح كل فئة، والحقول اللي يمكن استخراجها من كل فئة.
تركيب prompt: استعمل SDK باش تركّب إدخال المستخدم مع Schema فطلب يقدر الموديل يفهمو.
إرسال الطلب: صيفط الطلب لخدمة الموديل، وغادي يرجّع نتيجة مهيكلة بصيغة JSON فحوالي بضع عشرات ديال الـtoken.
تحليل النتيجة: قرا النية وقيم الحقول حسب بنية الفئة＋المعلمات، ودير التحقق من الحقول فحالة وجود خطأ.
الربط مع الخدمة: صيفط النتيجة المهيكلة للنظام اللاحق باش ينفذها، وفالعمليات الحساسة خاصك تتحقق من الصلاحيات أو تطلب تأكيد المستخدم قبل التنفيذ.

دمج التعرّف على النية واستخراج المعلمات: موديل واحد كيكمل تصنيف النية واستخراج المعلمات فآن واحد، وكيقلل الخدمة المتكررة ديال التحليل فالأنظمة اللاحقة.
سرعة الاستجابة: فالمتوسط كيخرج غير بضع عشرات ديال الـtoken، وزمن الاستجابة للنتيجة الكاملة فمستوى مئات الميليثواني، وهادشي مناسب للتفاعل الفوري وبوتيرة عالية.
تكلفة استدعاء منخفضة: بنية MoE كتنشّط غير حوالي 4B معلمة لكل Token، وبالمقارنة مع الموديلات العامة الكبيرة، كيتقلص فرق التكلفة بشكل كبير فسيناريوهات فيها ملايين الاستدعاءات يومياً.
إخراج مستقر وموثوق: النتائج مقيّدة بشكل صارم داخل بنية JSON ديال Schema محدد مسبقاً، والحقول واضحة والصيغة قابلة للتحقق.
تحليل معقد للنوايا المتعددة: كيدعم جملة فيها نوايا ومعلمات وكيانات متعددة، وكيستعمل مصفوفة JSON باش يرجّعها كاملين بصيغة موحدة.
صيغة موحدة لأربع مهام: فهم النية، والتعرّف على الكيانات، واستخراج العلاقات، واستخراج الأحداث كيشتركو كاملين فنفس صيغة الإدخال والإخراج ديال ”الفئة＋المعلمات”، وكتكون تكلفة النقل فالأنظمة اللاحقة منخفضة بزاف.

مستودع GitHub: https://github.com/XingChen-AGI/Xing4.0-29B-Intent
مستودع الموديل فـHuggingFace: https://huggingface.co/XingChen-AGI/Xing4.0-29B-Intent

خدمة الزبناء الذكية / توجيه التذاكر: كيتعرّف على نية الزبون فالمحادثة وكيستخرج المعلومات الأساسية، وكيكمل أوتوماتيكياً تصنيف التذاكر وتوجيهها، وقد تطبّق فخدمة الزبناء ديال الاتصالات.
التفاعل الصوتي مع الأجهزة: فالمساعدات الصوتية، وقمرة القيادة الذكية، ومراكز التحكم ديال IoT وغيرها، كيحوّل التعليمات الشفوية ديال المستخدم لأوامر مهيكلة للتحكم فالأجهزة.
روبوتات IM ديال الشركات: فمرحلة الانطلاق ديال الخدمة، ما كيتطلبش كمية كبيرة ديال بيانات معنونة، وكيتيح بناء قدرات التعرّف على النية وتوجيه الأسئلة والأجوبة بسرعة.
طبقة الولوج الدلالي لـAgent / Function Calling: كتوفر للعميل الذكي تحديد النية باحتمال هلوسة منخفض واستخراج معلمات استدعاء الدوال، وكتربط اللغة الطبيعية بتنفيذ الأدوات.
استخراج المعلومات متعدد المهام: كيكمل بالتوازي التعرّف على الكيانات واستخراج العلاقات والأحداث من جملة وحدة، بحال ”بدّل الاجتماع لنهار الجمعة فالعشية، وبدّل المكان للطابق الثالث” → كيستخرج فآن واحد تغييرات الوقت والمكان.