国产算力终于不只用来"跑"模型，也开始用来"训"模型了。9月17日，中电信人工智能科技有限公司发布新一代星辰大模型Xing4.0-29B-A4B，并同步在GitHub、Hugging Face、Gitee、魔搭、魔乐五个社区开放权重。这款模型的定位是面向智能体时代的轻量级代码智能体大模型，聚焦复杂任务理解、任务规划、工具调用与自主执行。它更值得记的标签是：国内首个基于国产算力和国产框架完成训练、面向复杂工程任务深度优化的百亿参数大模型。
Xing4.0采用的是MoE混合专家架构，总参数量290亿，每个token只激活40亿参数，比例接近七比一。架构上是64个路由专家加1个共享专家，共40层，隐藏维度3584。这个设计的直接好处是算力按激活参数计算，能力按总参数计算，同样硬件下能拿到比同规模稠密模型高得多的吞吐。对开发者而言，29B的全量推理光权重就要几十GB，一张消费级显卡根本放不下，而激活只要4B，再叠加低比特量化，占用就能压到单卡可部署的区间。
上下文长度是另一个关键指标。模型原生支持256K上下文，可扩展至512K。对智能体来说，长上下文不是加分项而是必需品：一条任务链路跑下来，读文件、调工具、查资料，上下文很快堆满，装不下任务就断在半路。评测数据也偏向多步任务：SWE-bench Verified拿到75.0，Terminal-Bench 2.1为57.5，AIME2026为90.0，Claw-Eval为76.55，DeepresearchBII为60.80。这几个项目考的都是在真实环境里连续操作并自己拿主意，正好对上智能体的用法。
全程基于昇腾910C集群与昇思MindSpore框架训练，是这款模型最受关注的部分。原因在于，推理和训练是两回事。过去两年国产算力的进展大多集中在推理环节，把已经训练好的模型放到国产芯片上跑起来相对容易。训练则完全不同，它要求芯片、互联、并行框架、算子库、编译器、容错机制全部配合到位，任何一环掉链子，整个训练就会崩。能推理和能训练之间，隔着的是一整套软件生态的成熟度。
据公开的模型资料，团队在工程上做了几件事：优化MoE通信、做选择性重计算、使用图算子融合、用昇腾C编写融合算子。合起来的效果是训练吞吐比开箱即用提升了约96%。这个数字的含义不是模型跑分，而是软件栈的优化能力：同一批硬件，通过框架层与算子层的调优把效率拉高近一倍。硬件可以堆，把硬件效能榨出来的工程能力需要长期积累。对行业来说，如果国产方案的训练效率能持续逼近国际主流水平，用国产算力训国产模型就会从口号变成经济上可行的选择。
与此前以问答为主要交互方式的大模型不同，Xing4.0系列更强调执行。上一代的主战场是问答，你问它答，答完就结束；智能体要的是另一套能力，给一个目标，它自己拆步骤、找工具、执行，看到结果再调整。模型把复杂任务理解、任务规划、工具调用、自主执行列为四项核心能力，架构上采用mHC加MLA加MTP的组合，用来支撑多步规划与稳定的推理链执行。
差别的核心在链路长度。问答是一跳，智能体是多跳，多跳意味着每一步都可能出错：第一步理解偏了后面全偏，某一步工具返回慢整条链路卡住，上下文里塞进一段噪声后面判断跟着歪。所以稳定性比单步聪明更要紧，这也是模型强调长上下文下任务连贯性的原因。落地场景上，工作侧是数据分析、材料整理、信息研究，由Agent自主读取文件、分析数据、调用工具并生成结果；生活侧则是积分兑换、观影推荐、出行规划这类需要理解意图并调用服务的任务。
这次发布值得留意的地方在方式而非参数。模型权重直接放在五个社区，开发者拿来就能跑，跑通就能改，改完还能接着训。对一个要跑在开发者电脑上、要接进各种工具链的智能体模型来说，开放程度本身就是产品的一部分：闭源模型再强，接不进你的工作流，对你就是零。推理侧它已适配SGLang、vLLM、KTransformers，训练侧支持LLaMA-Factory与MindFormers，智能体框架方面对接了OpenCode、Claude Code与Hermes，并完成多种国产及主流AI芯片平台的验证。
这背后也是运营商系大模型的一次转向。过去的习惯是先做行业交付，模型藏在项目里；这次把权重放出去，等于把评判权交给开发者。把三大运营商摆在一起看，三条路径的落点并不相同：中国移动的重心在企业内部规模化上岗，主打企业级智能体工作台，内部活跃数智员工已超9万个；中国联通的重心在平台与生态，元景MaaS平台纳管了230多款主流模型；中国电信这一款落在模型层，做轻、做小、开源出去，让开发者在自己的机器上跑。三条路瞄准的不是同一批客户，而对写代码、搭工作流的开发者来说，一个能本地跑、权重开放、可以自己微调的底座，价值比一个封装好的平台更直接。