AI行业因一款名为Jev的模型而受到关注。该模型由TypeSafe AI推出，证明了在高频、低延迟的意图理解任务中，专用模型也能有效完成，而不必依赖参数庞大的大型模型。这种决定层与生成层的分离成为AI Agent应用推广的热议话题。然而，Jev的出现也带来了一个新问题：在识别出用户的意图后，谁来明确具体操作？例如，当用户提出“调整展厅东侧的灯至80%、色温4000K，西侧调至30%、2700K，入口灯保持不变”时，系统不仅需要辨识出“调节灯光”的指令，还需理解每盏灯的亮度和色温要求，以及哪些设备不应改变。在实际应用中，这类指令非常常见，仅做到意图判断是基础，能否有效将用户自然语言转化为结构化参数，以及分辨哪些需要执行，哪些不需要，才是意图理解的真正考验。

10月19日，中电信人工智能科技有限公司的星辰通用人工智能实验室推出了开源模型Xing4.0-29B-Intent，意在填补这一技能空白。该模型将意图理解扩展为“选择题与填空题”的结合，并同时开源了模型、训练数据和推理SDK。我们针对智能空间、智能座舱、办公协作和个人助理等实际场景进行了11组测试，以评估其在复杂指令下的意图识别与参数提取能力。

意图理解正逐渐成为AI Agent实现过程中的关键环节。过去，人们关注大型模型的理解能力，如今，当AI Agent需要与手机、汽车及企业软件接入时，单靠意图判断已显不足。Jev作为决策模型，提供了三种决策原语：Noul布尔判断（返回0至1的概率），Choice分类选择（从一系列互斥选项中选择最优），以及Score评分（在有序量表中给出评分），其判断延迟低至70毫秒，适合在预设范围内快速完成任务。然而，这些判断的输出仍受限于候选选项，无法满足业务中复杂的参数抽取需求。例如，“将卧室的灯调至30%，客厅调至70%”中，模型需分别识别两个对象及其对应的亮度参数。

针对这一问题，Xing4.0-29B-Intent将意图分类与参数抽取融为一体，能同时识别输入意图及其中的实体和数值，通过统一的JSON结构返回结果。这样，面对包含多项指令的自然语言输入，该模型可以同时给出意图类别和对应参数，减轻了后续解析的工作量。

在展厅灯光的测试案例中，用户要求调整东侧灯至80%、色温4000K，西侧灯至30%、2700K，维持入口灯不变，同时把大厅音量设为15%。模型成功识别出了两种意图，并返回了与之相关的灯光亮度和色温参数，以及音量设置。此结果显示了模型在处理指令时保留了对象与属性的对应关系，并妥善应对了不需要调整的设备。

在智能家居等场景中，此类复杂指令常见，模型需具备更出色的语义理解能力。对于AI Agent而言，判断意图明确任务方向，而参数抽取则确保后续操作能够准确反映用户需求。