A China Telecom Artificial Intelligence Technology Co., Ltd. disponibilizou o modelo Xing4.0-29B-A4B, que é o desenvolvimento mais recente da série Xing (anteriormente conhecida como TeleChat). Os pesos e arquivos de configuração deste modelo estão disponíveis nas plataformas Hugging Face e ModelScope sob a organização XingChen-AGI. Oficialmente, o modelo é posicionado como China Telecom / XingChen / Xing4.0.
O modelo é apresentado como uma implementação de agente Mixture-of-Experts (MoE), otimizada para a plataforma Ascend, e não apenas como um lançamento geral de um grande modelo de linguagem. De acordo com os materiais da empresa, este é o primeiro modelo desse porte totalmente treinado em aceleradores Ascend NPUs usando o framework MindSpore e especificamente ajustado para tarefas de engenharia complexas e cargas de trabalho de agentes.
De acordo com dados do Hugging Face, o modelo possui um total de 29 bilhões de parâmetros, com cerca de 4 bilhões de parâmetros ativados por token. Ele suporta um comprimento de contexto nativo de 256K, que pode ser estendido para 512K, possui 40 camadas, utiliza atenção MLA e inclui 64 especialistas roteados, dos quais quatro especialistas mais um especialista comum são ativados por token. As notas arquitetônicas indicam uma pilha mHC + MLA + MTP, projetada para planejamento multifásico, chamada de ferramentas e manutenção de coerência em longos contextos.
Relata-se que a otimização conjunta do treinamento em clusters Ascend 910C através de MindSpore/MindFormers, incluindo operadores mHC combinados e ajuste de conectividade MoE, aumentou o throughput de treinamento em aproximadamente 96% em comparação com as configurações básicas, segundo dados fornecidos pelo fornecedor.
Vários caminhos de serviço estão disponíveis para uso, como Transformers, vLLM, SGLang e KTransformers. Também há suporte para ajuste fino usando LLaMA-Factory e MindFormers, além de formatação para sistemas de agentes, incluindo OpenCode, Claude Code, OpenClaw e Hermes. Além disso, a Phoenix Tech observa que a cobertura de tópicos secundários de TI mostra resultados de agentes SuperCLUE comparáveis aos modelos líderes Qwen, e afirma que a quantização em 4 bits pode reduzir o consumo de memória para 15 GB para execução local com longo contexto, embora essas declarações ainda sejam de terceiros ou declaradas pela empresa antes de verificação independente.
Para equipes que trabalham com stacks Huawei Ascend, os pesos Xing4.0-29B-A4B são fornecidos com origem explícita de treinamento no MindSpore e interfaces abertas para inferência no ecossistema Apache. Assim, este é um MoE de agente da China Telecom no formato OSS, e não um anúncio fechado baseado apenas em API.
