中国电信AI开源全栈国产化轻量级代码智能体大模型Xing4.0-29B-A4B，290亿总参数、每次推理激活约40亿，基于华为昇腾910C和MindSpore/MindFormers训练，已在GitHub、Hugging Face等平台上线并支持API调用。
AI解读：中国电信AI开源了Xing4.0-29B-A4B，一款面向私有化部署的代码智能体大模型。它要解决的具体问题是：有些企业数据不能出域、算力又不富裕，但长文档要读、复杂业务要办——这类需求过去很难用上大模型。
模型用MoE架构，总参数290亿，每次推理只激活约40亿，4-bit量化后显存占用从约60GB压到约15GB，一张RTX 3090或4090就能运行。这意味着门槛从多卡或高价A卡降到了消费级显卡，受影响的正是那些预算有限、又必须本地部署的企业。
能力上它重点加强了Coding和Agent：原生支持256K上下文、可扩展至512K，能读懂整个代码仓库做工程级修改；在本地用约20分钟完成200页投标文件技术、商务、价格三方面初评，并逐条给出评分依据。
值得注意的是全栈国产化：模型完全基于华为昇腾910C算力训练，采用MindSpore/MindFormers框架，推理端也完成昇腾适配。官方称经多层次协同优化，整网训练吞吐较开箱性能提升约96%。
落地方面，智能客服业务已完成私有化部署，用户通话、身份信息和业务记录全程不出域，官方称复杂业务办理成功率已达90%以上。模型还适配OpenCode、Claude Code等Agent框架和vLLM、SGLang等工具链，并提供算网一体机、智算专线等部署路径。
中国电信AI开源了Xing4.0-29B-A4B，官方称这是一款全栈国产化的轻量级代码智能体大模型。模型总参数290亿，采用MoE架构，每次推理只激活约40亿参数；经4-bit量化后，显存占用可压缩至约15GB，一张RTX 3090即可运行。
该模型目前已在GitHub、Hugging Face、Gitee、魔搭、魔乐等平台开源上线，并同步支持API调用。截至量子位发稿，Xing4.0-29B-A4B已进入Hugging Face模型趋势榜单，位居第四。
据量子位报道，Xing4.0-29B-A4B完全基于华为昇腾910C算力训练，采用国产的MindSpore/MindFormers训练框架与开发套件，推理部署端也完成了昇腾的适配验证。
在部署方式上，中国电信提供了多条路径：企业可将模型预集成到算网一体机，减少环境搭建和安装配置工作；本地算力紧张时，可在满足自身数据管理要求的前提下，通过智算专线调用云端算力弹性扩容；模型还基于智源FlagOS统一开源AI软件栈，打通了多家国产芯片的适配路径。
4-bit量化把290亿参数模型压进一张RTX 3090
官方给出的数据是：传统FP16精度下，29B参数模型单卡显存占用约60GB，往往需要多卡或价格高昂的A卡；经过4-bit量化后，这部分占用可压缩至约15GB，降低约75%，让RTX 3090、4090等消费级显卡也能运行。
MoE架构是压低推理开销的一部分原因：290亿总参数中，每次推理只激活约40亿。这样每次处理任务时不必调动全部参数，计算开销随之降低。
256K上下文与本地200页投标文件初评
针对百亿参数模型在处理整仓库代码时的局限，Xing4.0-29B-A4B原生支持256K上下文，并可扩展至512K，让一次任务能装下更长的代码、文档、日志和历史记录。
量子位给出的场景示例是：一份200页的投标文件交过来，模型能在本地用约20分钟，完成技术、商务、价格三个方面的初评，并逐条给出评分依据。
另一个示例是把分散在Excel里的合同台账做成管控大屏——模型需理解表格中的业务数据，将合同概览、金额分布、风险识别和履约预警等需求组织到同一个页面中，数据全程不用离开企业环境。
在Agent方向，模型针对长程任务做了专项强化：用户一次说清需求后，模型可判断哪些步骤先做、哪些可以并行，再调用天气、日程、提醒、出行等工具或Agent推进任务。
已适配OpenCode、Claude Code等框架，智能客服业务落地
为接入企业现有工作流，Xing4.0-29B-A4B已针对OpenCode、Claude Code、OpenClaw、Hermes等主流Agent、Harness框架完成定向适配，同时兼容LLaMA-Factory、MindFormers、SGLang、vLLM、KTransformers等常用工具链。
在智能客服业务中，Xing4.0-29B-A4B已完成私有化部署，用户通话、身份信息和业务记录全程不出域。据量子位报道，面对复杂诉求，模型需要一路完成意图理解、任务拆解、工具调用、结果整合和合规校验，目前这套方案的复杂业务办理成功率已经达到90%以上。
从预训练4K到中训练256K，昇腾910C上训练吞吐提升约96%
据量子位介绍，中国电信自建了一套包含数十万亿词元的数据体系。预训练数据经过PB级多源清洗，除通用内容外，还加入了复杂表格、结构化知识图谱和智能体行为轨迹。行为轨迹记录一个任务从头到尾怎么做——目标、调用工具、返回结果、下一步操作，直接对应Agent能力。
训练阶段，预训练从4K序列长度起步，先学习通用知识和基础推理，再逐步提高代码与复杂推理数据占比；中训练阶段序列长度依次扩展到32K、128K和256K，同时增加仓库级代码、复杂推理和Agent数据；后训练阶段围绕Coding、Agent和Reasoning三个方向分别开展多专家强化学习，再通过MOPD融合。训练中还使用了Muon和QK-Clip。
架构层面，模型采用MLA多头潜变量注意力压缩KV Cache、MTP多Token预测加速生成，并引入DeepSeek同款的mHC流形约束超连接以减少训练不稳定。
工程优化方面，模型基于昇腾910C集群，结合MindSpore/MindFormers完成mHC等新特性适配、跨框架精度对齐及融合算子开发；针对计算调度和显存压力，采用DVM图算融合、细粒度重计算和Ascend C定制融合算子。据官方介绍，经过模型架构、编译、算子与硬件的多层次协同优化，整网训练吞吐较开箱性能提升约96%。后训练使用的Slime强化学习框架也完成了昇腾生态适配。