China Telecom abre modelo que transforma comandos em definições

Uma única frase falada pode esconder várias ordens: mudar a luz da sala, deixar o quarto como está e mover uma reunião. Até agora, a maioria dos sistemas capazes de compreender frases deste tipo tinha de ser montada a partir de ferramentas separadas. O laboratório XingChen AGI da China Telecom Artificial Intelligence Technology disponibilizou como código aberto o Xing4.0-29B-Intent, um modelo que tenta fazer todo o trabalho num único passo.

A abordagem habitual é classificar primeiro e extrair depois. Muitos modelos de intenção ficam pela classificação: sabem que o utilizador quer ajustar as luzes, mas não quais nem para que nível. O Xing4.0-29B-Intent combina as duas etapas. Recebendo um esquema, devolve uma estrutura JSON com um campo de categoria para cada intenção detetada e um campo de argumentos para as entidades, valores e atributos extraídos. Uma frase com vários comandos produz várias intenções, cada uma com os seus próprios argumentos.

Os números mais fortes são os da própria equipa. A empresa reporta um Micro-F1 de 70,27 em modo zero-shot e de arranque a frio, o que, segundo afirma, supera o GPT-4.1, e uma pontuação de correspondência exata de 61. Numa avaliação mais ampla, que abrange o reconhecimento de entidades nomeadas, a extração de relações, a extração de eventos e a compreensão da linguagem falada, indica uma pontuação global de 58, nove pontos acima do Gemini-3.6-Flash, em segundo lugar. Estes números ainda não foram reproduzidos por equipas externas. Os testes práticos publicados pela Zhidx mostram o modelo a funcionar bem na maioria dos casos, mas a falhar pelo menos num: um comando para os vidros do carro devolveu uma definição de 0% para os vidros traseiros, que podiam mudar a sua posição atual.

A publicação vai além dos pesos do modelo. O treino usou 2,753 milhões de amostras reconstruídas a partir de 61 conjuntos de dados públicos, em 19 domínios e 52 línguas, aquilo que a equipa descreve como o maior corpus aberto de compreensão de intenções. Um trabalho relacionado sobre dados de intenção em interação com telemóveis foi aceite na EMNLP 2026. O código está no GitHub, no projeto TeleChat-USP, com licença Apache 2.0, e o modelo e o conjunto de dados estão no Hugging Face e no ModelScope, com um SDK de inferência e uma imagem oficial.

Para quem desenvolve agentes, o ganho é prático: um modelo que devolve comandos estruturados numa única passagem, com uma latência indicada de menos de 150 milissegundos, pode ser descarregado e testado já hoje. Os alvos apontados pela equipa são espaços inteligentes, assistentes de bordo, fluxos de trabalho de escritório e agentes pessoais. As fontes não indicam um calendário comercial nem dados de implementação, pelo que o que muda para o utilizador final dependerá de quantos produtos o adotarem e de como se comportará fora dos testes da própria equipa.