Xing4.0 是什么？中国电信 29B 开源模型跑分解读

2026 年 9 月 17 日，中国电信旗下 TeleAI 开源了新一代大模型 Xing4.0，首发 Xing4.0-29B-A4B 为 29B 总参数、仅激活 4B 的 MoE，原生支持 256K 上下文，且完全在昇腾 NPU 上用 MindSpore 训练完成。

事实来源：Hugging Face 模型卡、Xing4.0 官方 GitHub 仓库（2026 年 9 月 17 日至 18 日更新）。

Xing4.0 是什么：一句话定位

Xing4.0 是中国电信旗下 TeleAI 的大模型新系列，前身是 TeleChat。这次开源的是其中的 MoE 版本，命名为 Xing4.0-29B-A4B，后缀里的 A4B 表示每个 token 激活 4B 参数。权重与完整规格见 Hugging Face 仓库。

发布节奏上，9 月 17 日一次性放出三个版本：基础 BF16 权重、FP8 版本和 GGUF 版本，同步上线 Hugging Face、ModelScope 和 Modelers 三个渠道。截至发稿，Hugging Face 基础仓库下载量约 3000 次、点赞 469。

如果你之前关注过国内大模型开源节奏，可以对照站内 GLM-6.0 是什么？何时发布、全自训练与 393 亿募资 看另一条技术路线。

规格拆解：29B 总参数、4B 激活

架构上是 mHC 加 MLA 加 MTP 的组合：MLA 负责注意力压缩，MoE 部分用 64 个路由专家加 1 个共享专家，MTP 支撑多 token 预测，官方把整套设计定位为面向 Agent 任务。

对你意味着什么：29B 的总参数保住了知识容量，4B 的激活量让实际推理开销接近小模型。想在有限算力上跑 Agent 的团队，这是直接的降本空间。

打榜成绩：编程与 Agent 任务的表现

官方给出的对标对象是 Gemma4-26B-A4B 和 Qwen3.6-35B-A3B，同为小激活 MoE 路线。

读数上，Xing4.0 优势最明显的是终端操作（Terminal-Bench 2.1 拿到 57.50，高于 Qwen 的 51.50 和 Gemma4 的 30.00）和深度研究（DeepresearchBII 60.80）。SWE-bench Verified 的 75.00 与 Qwen3.6-35B-A3B 的 76.00 基本持平，AIME2026 的 90.00 略低于 Qwen 的 92.70，IFBench 的 69.67 低于 Gemma4 的 72.67。

需要说明的是，这些数字来自官方自测，评测条件写在模型卡脚注里（例如 SWE-bench 使用 SWE-agent 框架、210K 上下文窗口、三次取平均），不是第三方独立复现。

为什么全昇腾训练值得单独说

官方称这是首个在这个规模上完全用昇腾 NPU 与 MindSpore 框架训练完成的模型，适配的是昇腾 910C 集群。

披露的优化手段包括细粒度 MoE 通信优化、选择性重算、DVM 图算融合以及 Ascend C mHC 融合算子，整体训练吞吐相比开箱状态提升约 96%。

对国内开发者来说，这条路线验证了一件事：国产算力栈能跑通 29B 级 MoE 的完整训练，而不只是做推理适配。这比单纯的跑分更有参考价值。

怎么用上 Xing4.0

三种方式：

1. 下载权重：Hugging Face 仓库是 XingChen-AGI/Xing4.0-29B-A4B，ModelScope 与 Modelers 同步有镜像，国内下载通常走这两个更快。
2. 本地推理：用 Transformers 加载时注意需要 trust_remote_code=True，输出里的思维链在 </think> 之前，最终答案在它之后，取值时记得切开。
3. 服务化部署：支持 vLLM、SGLang、KTransformers、TensorRT-LLM 和 llama.cpp。官方提示这些框架的适配 PR 仍在审核、尚未合入主分支，合入前需要从对应 PR 分支安装，进度见 官方 GitHub 仓库。

采样参数官方给了两套：复杂推理任务用 temperature 1.0、top_p 0.95、repetition_penalty 1.05；编程与 Agent 任务用 temperature 0.8、top_p 0.95。Agent 框架侧已对 OpenCode、Claude Code、OpenClaw、Hermes 做过格式对齐。

和同量级模型怎么选

重心在终端操作和长链路研究任务，Xing4.0 目前的官方数据最亮眼；更看重数学推理和指令跟随，Qwen3.6-35B-A3B 与 Gemma4 各有优势。另外它的上下文可从 256K 扩展到 512K，长文档场景值得单独测一遍。

想做同类横向参考，也可以看站内 Anthropic MHS 是什么？模型硬件标准全解 了解 Agent 与硬件标准的配套趋势，或者看 GPT Image 2 是什么？OpenAI 新图像模型的 5 大能力、免费额度与用法详解 对比多模态方向。