RespuestasPublicado19 fuentes
Xing4.0-29B-A4B: arquitectura, herramientas y cifras que conviene poner en contexto
Xing4.0 29B A4B es un modelo de pesos abiertos orientado a programación y tareas de agentes de varios pasos: tiene unos 29.000 millones de parámetros, de los que activa aproximadamente 4.000 millones por token. Ofrece un contexto nativo de 256.000 tokens y sus pesos están disponibles en Hugging Face bajo la licencia...
Publicado porEditado con GPT-6 SolImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Xing4.0 29B A4B es un modelo de pesos abiertos orientado a programación y tareas de agentes de varios pasos: tiene unos 29.000 millones de parámetros, de los que activa aproximadamente 4.000 millones por token.
- Ofrece un contexto nativo de 256.000 tokens y sus pesos están disponibles en Hugging Face bajo la licencia Apache 2.0.
- La mejora del 96 % en entrenamiento, las puntuaciones en pruebas y la cifra de 15 GB de memoria son resultados o condiciones de despliegue reportados, no garantías para cualquier equipo.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What is China Telecom AI’s open-sourced Xing4.0-29B-A4B agentic Mixture-of-Experts model, and what are its parameter count, active experts,. Article summary: Xing4.0-29B-A4B is China Telecom AI’s open-weight Mixture-of-Experts language model for coding and other multi-step agent tasks. It has about 29 billion parameters in total, but activates about 4 billion for each token—n. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, click
La distinción clave de Xing4.0-29B-A4B está en su nombre: este modelo de mezcla de expertos (Mixture of Experts o MoE) de China Telecom AI tiene alrededor de 29.000 millones de parámetros en total, pero activa aproximadamente 4.000 millones por token. Está orientado a programación y tareas de agentes que requieren varios pasos. Activar menos parámetros en cada paso no significa que baste con almacenar solo esos 4.000 millones para ejecutarlo. 1
10
Expertos y ventana de contexto
El modelo cuenta con 64 expertos seleccionables y uno compartido. Para cada token intervienen cuatro de los expertos seleccionables, además del compartido. Su ventana de contexto nativa es de 256.000 tokens; la posibilidad de llegar a 512.000 se presenta como una extensión, no como la capacidad nativa. 1
2
Cómo se entrenó y qué significa la mejora del 96 %
Su arquitectura combina atención latente multicabezal (MLA), hiperconexiones con restricciones de variedad (mHC) y predicción de múltiples tokens (MTP). Según los materiales del modelo, MLA busca reducir la memoria necesaria para la caché de atención, mientras que mHC ayuda a estabilizar el entrenamiento. 1
5
El entrenamiento se realizó con hardware Huawei Ascend y el ecosistema MindSpore. Sus desarrolladores atribuyen a ajustes en la comunicación entre expertos, recomputación selectiva, fusión de operadores y operadores propios de Ascend C una mejora aproximada del 96 % en el rendimiento del entrenamiento frente a una configuración inicial sin esas optimizaciones. No es una medición de la velocidad de inferencia que obtendrán quienes utilicen el modelo. 5
13
Pesos, licencia y herramientas
Los pesos están publicados en Hugging Face como XingChen-AGI/Xing4.0-29B-A4B, bajo la licencia Apache 2.0. La documentación muestra su uso con Transformers y vLLM; también se reporta compatibilidad para inferencia y despliegue con SGLang y KTransformers. Para ajuste fino figuran LLaMA-Factory y MindFormers, y se mencionan adaptaciones para los entornos de agentes OpenCode, Claude Code, OpenClaw y Hermes. 12
13
8
Resultados y memoria: cifras con condiciones
Entre las puntuaciones publicadas aparecen 75,00 en SWE-bench Verified, 57,50 en Terminal-Bench 2.1 y 93,52 en la evaluación de agentes de SuperCLUE. Proceden de materiales del modelo y de la cobertura de su lanzamiento: no deben interpretarse como resultados reproducidos de forma independiente. 6
19
8
China Telecom afirma además que la cuantización de baja precisión y las optimizaciones de memoria pueden reducir el uso de memoria de la GPU a unos 15 GB; otras informaciones vinculan esa cifra a una versión de 4 bits. Es una afirmación sobre una configuración de despliegue, no una garantía para cualquier instalación. El tipo de cuantización, la configuración del programa de inferencia y la longitud del contexto importan al valorar si cabrá en una GPU concreta. 6
8
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Xing4.0-29B-A4B: arquitectura, herramientas y cifras que conviene poner en contexto"?
Xing4.0 29B A4B es un modelo de pesos abiertos orientado a programación y tareas de agentes de varios pasos: tiene unos 29.000 millones de parámetros, de los que activa aproximadamente 4.000 millones por token.
¿Cuáles son los puntos clave a validar primero?
Xing4.0 29B A4B es un modelo de pesos abiertos orientado a programación y tareas de agentes de varios pasos: tiene unos 29.000 millones de parámetros, de los que activa aproximadamente 4.000 millones por token. Ofrece un contexto nativo de 256.000 tokens y sus pesos están disponibles en Hugging Face bajo la licencia Apache 2.0.
¿Qué debo hacer a continuación en la práctica?
La mejora del 96 % en entrenamiento, las puntuaciones en pruebas y la cifra de 15 GB de memoria son resultados o condiciones de despliegue reportados, no garantías para cualquier equipo.