allworld.mediaNotícias de todo o mundo
China Telecom lança modelo Xing4.0-29B-A4B, treinado em Ascend com arquitetura MoE
Leia mais
Pandaily
pandaily.com

China Telecom lança modelo Xing4.0-29B-A4B, treinado em Ascend com arquitetura MoE

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.

Histórias semelhantes

Laboratório de IA de Xangai lança modelo multimodal científico Intern-S2-397B com decodificador de memória
Leia mais
pandaily.com

Laboratório de IA de Xangai lança modelo multimodal científico Intern-S2-397B com decodificador de memória

O Laboratório de IA de Xangai apresentou seu modelo base multimodal orientado para ciência, Intern-S2-397B, com pesos abertos nas plataformas Hugging Face e ModelScope. O anúncio ocorreu após uma apresentação no Fórum de Inovação Putian em 13 de setembro de 2026 e um briefing de laboratório em 21 de setembro.

O nome oficial em inglês do laboratório é Shanghai AI Laboratory / Intern-S2. Este lançamento difere de publicações recentes do laboratório, como Atria Dawn, Intern Physical World Model W0 e NCP-ArchPreview, pois representa o lançamento dos pesos de um modelo científico com arquitetura, e não o anúncio de outro agente ou modelo de mundo.

O modelo Intern-S2 é projetado para executar tarefas científicas de longo alcance e ciclos de agentes. Os materiais do laboratório destacam a presença de um Decodificador de Memória (Memory Decoder) conectável, que permite anexar módulos de domínio sem a necessidade de retreinar todo o modelo base. Por exemplo, o uso do Intern-MemDec-4B em experimentos biológicos aumentou as pontuações médias em Instruções Biológicas de aproximadamente 56,92 para 60,32, mantendo os resultados gerais no nível do modelo principal.

No Hugging Face, está indicado que o mapa Intern-S2-397B contém cerca de 403 bilhões de parâmetros. O modelo passou por pré-treinamento visual em páginas de literatura científica não processada, treinamento científico multdomínio por reforço em mais de 20 áreas, e treinamento por reforço de agente de longo alcance em ambientes isolados. Caminhos de serviço estão previstos através de LMDeploy, vLLM e SGLang, e um endpoint de API oficial da Intern foi documentado.

O Laboratório de IA de Xangai informa que o Intern-S2 foi profundamente otimizado em conjunto com o stack computacional Ascend da Huawei em aspectos de computação, comunicação e memória. Além disso, o modelo será integrado à plataforma de descobertas científicas Intern DuanYan do laboratório, que abrange áreas de ciências da vida, materiais, semicondutores e disciplinas afins. De acordo com as declarações do fornecedor, o Intern-S2 ocupa o primeiro lugar entre modelos de código aberto em conhecimento, código e conjuntos de agentes, demonstrando fortes resultados em tarefas de biologia e ciência dos materiais; no entanto, esses números são atualmente dados do laboratório antes de testes independentes.

Para grupos de pesquisa, o resultado final é o acesso aos pesos baixáveis do Intern-S2-397B, acompanhados pela documentação do Decodificador de Memória e uma nota sobre a colaboração com a Ascend. Assim, este é um modelo base multimodal aberto, atualizado para uso pela comunidade, e não apenas um anúncio baseado em API fechada.

Popular