China Telecom: Xing 4 mit 285B Parametern auf 8.192 Ascend-Chips trainiert, 29B-Modell als Open Weights
TeleAI stellt die TeleChat-Nachfolgeserie vor: Benchmarks und Pionieranspruch stammen allein vom Hersteller und sind unabhängig nicht geprüft.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Xing4.0-29B-A4B ist ein Open-Source-Modell mit 29B Gesamtparametern, 4B aktiv pro Token.
- Das Modell hat nativ 256K Kontext, erweiterbar auf 512K, und wurde vollständig auf Ascend-NPUs mit MindSpore trainiert.
- Die Veröffentlichung steht unter Apache-2.0-Lizenz und ist auf Hugging Face verfügbar.
- Das Pretraining eines 285B-Parameter-Modells lief auf 8.192 Ascend-910C-Karten mit MindSpore HyperParallel.
- Der Tech-Report stellt TeleGym als einheitliche Agent-Ausführungsplattform für das Post-Training vor.
Xing 4: 285B-Modell auf 8.192 Ascend-Karten vortrainiert
Das Xingchen AGI Lab (TeleAI) von China Telecom hat Xing 4 vorgestellt, die Nachfolgeserie von TeleChat. Laut Tech-Report, der am 17. November 2026 auf arXiv erschien und 138 Autoren nennt, wurde ein MoE-Modell mit 285 Milliarden Parametern auf 8.192 Ascend-910C-Karten mit MindSpore HyperParallel vortrainiert. Der Report behandelt Architekturwahl, Pretraining sowie Reasoning- und Agent-Post-Training.
Für das Post-Training hat das Team TeleGym entwickelt, eine einheitliche Plattform für Agentenaufgaben. Sie bindet Ausführung, Evaluation und Trajektorienbildung an die Policy-Optimierung. Eine asynchrone, disaggregierte Ausführung soll mit begrenztem Oversampling und Partial Rollout Aufgaben unterschiedlicher Dauer auffangen. Trajektorien reißen dabei nicht über Policy-Updates hinweg ab.
Mit dem Report will das Team zeigen, dass sich Frontier-Agentenmodelle auf heimischen Chips und Frameworks trainieren lassen. Das ist eine Herstellerangabe. Eine unabhängige Prüfung von Trainingsdaten, Konvergenz und Modellqualität des 285B-Modells liegt nicht vor.
Open-Weight-Modell 29B-A4B: Apache 2.0, 256K Kontext, GGUF-Varianten
Veröffentlicht ist bislang das Modell Xing4.0-29B-A4B. Insgesamt hat es 29 Milliarden Parameter, pro Token sind davon 4 Milliarden aktiv. Nativ unterstützt es 256K Kontext, erweiterbar auf 512K. Die Lizenz ist Apache 2.0, die Gewichte liegen auf Hugging Face. Laut Modellseite gibt es Varianten in BF16, FP8, GGUF (2 bis 8 Bit) und W8A8 sowie ein vLLM-Plugin.
Architektonisch setzt das Modell nach Herstellerangaben auf mHC, MLA und MTP. Der Report nennt außerdem MLA mit DSA und schichtübergreifendes IndexShare für Langkontext-Serving, eine breitere und flachere MoE-Topologie und ein Block-wise-Draft-Modell mit leichten Korrekturköpfen für Speculative Decoding. Begründet wird die Wahl so: Die Konfigurationen sollen Modellkapazität gegen Rechenaufwand, Speicherzugriff und Ausführungsoverhead abwägen.
Den Trainingsdurchsatz hat der Hersteller nach eigenen Angaben durch Optimierungen bei MoE-Kommunikation, selektiver Neuberechnung und Fusionsoperatoren um rund 96 % gegenüber dem Ausgangszustand gesteigert. Die Angabe ist in der Modellbeschreibung abgebrochen, deshalb bleibt die Bezugsgröße unvollständig.
Ein Dritter hat die GGUF-Variante IQ2_M in llama.cpp auf einem reinen CPU-Server getestet und 4,5 Token pro Sekunde erreicht. Damit läuft das Modell, zumindest quantisiert, auch außerhalb des Ascend-Stacks.
Benchmarks und Pionieranspruch stammen allein vom Hersteller
Für das 29B-Modell sind SWE-bench Verified mit 75,0 % und Terminal-Bench 2.1 mit 57,5 % veröffentlicht. Beide Werte stammen vom Hersteller. Laut einem Aggregator fehlen Ergebnisse für GPQA und LiveCodeBench. Ungeprüft bleibt auch der Anspruch, es sei das erste Modell dieser Größe, das vollständig auf Ascend und MindSpore trainiert wurde. Ebenso wenig belegt ist die Aussage, das Modell halte bei langen Kontexten Aufgabenkohärenz und Ausführungsstabilität.
Beim 285B-Modell ist die Lage offen. Dass es geschlossen bleibt, berichtet nur aitrove.ai. Im Report und in den Herstellerbeschreibungen ist das nicht bestätigt. Dieselbe Seite nennt etwa 17B aktive Parameter und 1M Kontext und weist darauf hin, dass der Report keine Leaderboard-Ergebnisse enthält. Auch das Veröffentlichungsdatum der Gewichte ist nicht primär belegt. Ein Aggregator führt das Modell als Release im September 2026, der Report erschien am 17. November 2026.
Teams außerhalb Chinas sollten die Portabilität prüfen, etwa über das vLLM-Plugin und die GGUF-Varianten.



