「Xing4.0-29B-A4B」テキスト生成モデル：当サイトでの回答例・必要VRAM 24GB〜

2026年9月28日2026年11月12日

基本情報

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

当サイトで確かめたこと

• GPU の無い当サイトのサーバー(Neoverse-N1・3スレッド・llama.cpp b12210)で xing4_0-29b-iq2_M-slim.gguf(IQ2_M)を動かし、生成は 4.5 トークン/秒でした(CPU での値で、GPU の速さの目安ではありません)。
• 固定の日本語の質問への回答を、下に原文のまま載せています。

詳しい値と条件は、下の「当サイトでの実測」の節にあります。

概要

中国電信(China Telecom)の AI 子会社である中国電信人工智能科技有限公司が、新しい大規模言語モデル Xing4.0-29B-A4B を Hugging Face で公開しました。総パラメータ 29B のうち、1トークンの処理で働くのは 4B だけの MoE(Mixture of Experts)モデルで、標準で 256K トークン、拡張すれば 512K トークンの文脈を扱えます。ライセンスは Apache-2.0 で、商用利用を含めて自由に使えます。

Xing(星辰)は、同社がこれまで「TeleChat」の名前で公開してきたモデルの後継にあたります。今回の最大の特徴は学習の基盤にあります。モデルカードによれば、Xing4.0-29B-A4B は Huawei の Ascend NPU(Ascend 910C のクラスタ)と MindSpore フレームワークだけで学習を終えた、この規模で初めてのモデルです。NVIDIA の GPU を使わずに、コーディングエージェントのベンチマークで同クラスの主要なオープンモデルと並ぶ結果を出したことになります。

公開元は重みと同時に、FP8 版と GGUF 版も自ら公開しています(XingChen-AGI/Xing4.0-29B-A4B-FP8・XingChen-AGI/Xing4.0-29B-A4B-GGUF)。公式の GGUF があるため、llama.cpp 系のツールで試すまでの距離が短いです。

スペック

モデルカードの構成表から。

• パラメータ数: 総 29B / 活性 4B(MoE)
• 層の数: 40
• 隠れ層の次元: 3,584
• FFN の中間次元: 密な FFN が 9,216、エキスパート1つあたりが 1,024
• エキスパート: 振り分け先 64 個のうち 4 個を使います。ほかに常に働く共有エキスパートが 1 個あります
• アテンション: MLA(Multi-head Latent Attention)
• コンテキスト長: 256K トークン(512K まで拡張可能)
• 構成の要素: モデルカードは「mHC + MLA + MTP」と書いています。MLA は KV キャッシュを圧縮して長い文脈のメモリ消費を抑えるアテンション、MTP(Multi-Token Prediction)は後続の複数トークンを同時に予測する仕組みで、投機的デコードの高速化にも使われます。mHC については、モデルカードに正式名称と説明がありません
• 思考モード: チャットテンプレートの enable_thinking で、推論の過程を出力するかどうかを切り替えられる

学習の効率化についても数字が出ています。MoE の通信の細かな最適化、選択的な再計算、演算の自動融合、mHC 向けの専用演算子(Ascend C)を組み合わせ、Ascend 上での学習スループットを、何も調整しない状態に比べて約 96% 上げたといいます。

性能

モデルカードの評価表をそのまま転記します。比較対象は、活性パラメータがほぼ同じ規模の Gemma4-26B-A4B と Qwen3.6-35B-A3B で、いずれも公開元自身が測った数値です。

強いのは、ツールを使って手順を踏むエージェント型の作業です。 ターミナルで作業を完遂できるかを見る Terminal-Bench 2.1 は 57.50 で、Qwen3.6-35B-A3B(51.50)を 6 ポイント、Gemma4-26B-A4B(30.00)を 27.5 ポイント上回り、表の中で最も高いです。エージェントの総合評価 Claw-Eval(76.55)と、調べ物を重ねてレポートを作る DeepresearchBII(60.80)も 3 モデルの中で最高です。実在のリポジトリの不具合を直す SWE-bench Verified は 75.00 で、Qwen3.6-35B-A3B の 76.00 とほぼ並び、Gemma4-26B-A4B(53.00)には 22 ポイントの差を付けました。

一方で、表の中で最下位の項目もあります。 長い文書を読んで推論する AA.LCR は 61.00 で、Gemma4-26B-A4B(66.00)と Qwen3.6-35B-A3B(62.00)のどちらにも届きません。256K〜512K の長い文脈を扱えることと、長い文脈を正確に読み解けることは別で、この表を見る限り後者は同クラスの2モデルより弱いです。数学の AIME2026(90.00)は Qwen3.6-35B-A3B(92.70)を下回り、指示への従い方を見る IFBench(69.67)は Gemma4-26B-A4B(72.67)に及びません。顧客対応のようなツール利用の対話を見る Tau3-Bench(64.63)も Qwen3.6-35B-A3B(67.20)より低いです。

まとめると、コーディングエージェントとしては Qwen3.6-35B-A3B と同等以上、Gemma4-26B-A4B よりはっきり上で、数学・長文読解・指示追従では同クラスの2モデルとほぼ並ぶか、やや下回ります。活性パラメータは3モデルとも 3B〜4B の同じ帯にあり、手元の機材で動かすときの速度の感覚は近いです。

評価の条件には注意が要ります。モデルカードの脚注によれば、SWE-bench は SWE-agent の枠組みと 210K トークンの文脈で、Terminal-Bench 2.1 は terminus-2 の枠組みで 3 回の平均を取っています。比較対象の2モデルが同じ条件で測られたかどうかは書かれていません。

得意なこと・想定用途

モデルカードが想定しているのは、コーディングエージェントや汎用エージェントの中核として使うことです。複数の手順の計画・ツールの呼び出し・長い推論の連鎖を、長い文脈の中でも崩さずに続けられるよう設計したとしています。実際に、OpenCode・Claude Code・OpenClaw・Hermes といったエージェントの枠組みに合わせた調整と、出力形式の整合を済ませていると明記しています。

もう一つの想定用途が、自社データでの追加学習です。意図の分類・表の理解・契約書のチェック・知識ベースへの質問応答のような特定分野の用途に、少ない費用で合わせ込めるとしています。追加学習の手段として LLaMA-Factory と MindFormers に対応し、BAAI の FlagOS を通じて複数のチップ(GPU 以外を含む)への配置にも対応したといいます。

推奨のサンプリング設定も用途別に示されています。

類似モデルとの違い

• Gemma4-26B-A4B との違い: 活性パラメータは同じ 4B ですが、コーディングエージェントの項目(SWE-bench Verified・Terminal-Bench 2.1・SWE-bench Multilingual)で 15〜27 ポイント上回ります。逆に指示追従(IFBench)と長文読解(AA.LCR)は Gemma の方が高いです
• Qwen3.6-35B-A3B との違い: 総パラメータは Xing の方が 6B 小さいです。SWE-bench はほぼ同点で、Terminal-Bench 2.1・Claw-Eval・DeepresearchBII は Xing が、AIME2026・Tau3-Bench・SWE-bench Multilingual は Qwen が上回ります。得意分野が分かれており、どちらかが全面的に上というわけではありません
• 学習基盤の違い: 比較した2モデルは GPU で学習されているのに対し、Xing4.0 は Ascend NPU だけで学習しました。利用者から見れば推論の手順は変わりませんが、GPU 以外の学習基盤でも同クラスのモデルが作れることを示した例として意味があります

今回は Apache-2.0 で、公式の FP8 版・GGUF 版まで同時に出しており、エージェントの枠組みへの対応も明記しています。重みを置くだけでなく、外部の開発者がすぐ使える状態で出すことを意識した公開になっています。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 31.2B

推論エンジンの対応状況(各プロジェクトのソースにあるモデル登録表とアーキテクチャ名を当サイトが機械的に照合。2026-11-12 時点): llama.cpp: 登録あり、vLLM: 未登録、MLX (mlx-lm): 未登録。「未登録」はその時点の登録表に名前が無いという意味で、動かないことの断定ではありません。

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 ファイルサイズは変換版 XingChen-AGI/Xing4.0-29B-A4B-GGUF の配布ファイルの実測値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

Ollama・LM Studio・llama.cpp で動かせます(変換版を利用)。

公開元の配布は safetensors ですが、XingChen-AGI/Xing4.0-29B-A4B-GGUF が GGUF版を公開しているため、そちらを使えば手元で動きます。

ライセンス apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。

量子化の圧縮率: IQ4_NL は実測 5.15 bit/weight で、元の16bitの重みの約32%のサイズです(配布ファイルの実サイズから当サイトが算出)。

配布形式・当サイトが見つけた変換版・各推論エンジンの登録表を突き合わせた判定です。「確認できていない」は当サイトが見つけていないという意味で、存在しないことの断定ではありません。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

当サイトのサーバー(GPUなし)で、このモデルのファイルを実際に読み込み・動かして確かめた値です。モデルカードの記載ではなく、当サイトが測った結果です。測り方と全モデルの一覧は観測データにまとめています。

実測から分かったこと

XingChen-AGI/Xing4.0-29B-A4BモデルをCPUと低いビット数で動かしたところ、文章題で正解を導き出しメールや俳句を作成する一方で、要約の指示では文数の指定を守れず上限のトークン数に達して途中で打ち切られるという結果になりました。生成速度は毎秒4.46トークンであり、同じ条件で測ったGryphe_Pantheon-Reasoning-26B-A4B-1.1-V2の毎秒6.19トークンには及ばないものの、Signal-3.8-27Bなどの他モデルと比べて高速に動作しています。ピーク時のメモリ消費量は12.7GBを記録し、4bitでは大きすぎるためIQ2_Mの低いビット数で測定が行われました。知識問題では海に面していない県を一つも挙げられず、海に面している都道府県を誤って挙げるという誤答が見られました。

GGUFファイルの中身

対象: xing4_0-29b-IQ4_NL.gguf(18.72GB、IQ4_NL)。ファイルの先頭のメタデータだけを読んで確かめました(重みはダウンロードしていません)。

ファイル名の量子化名はファイル全体の呼び名で、実際には層ごとに型が混ざっています。平均のビット数は、ファイルのデータの大きさを重みの数で割った実測値です。

CPUだけで動かした結果

条件: Neoverse-N1 の3スレッド・GPUなし・llama.cpp b12210・XingChen-AGI/Xing4.0-29B-A4B-GGUF の IQ2_M(10.99GB)・2026-11-09に測定しました。4bit 前後のファイルは当サイトの上限(13GB)に収まらないため、ビット数の低い IQ2_M で測りました(4bit より品質は下がります)。 同じ条件で測った他のモデル(ファイルの大きさが近い順):

ピーク時のメモリは、ファイルをメモリに割り当てた分(mmap)を含みます。GPUのあるPCではこれより大幅に速くなります。ミニPC・ARMのボードなど、CPUだけで動かす環境の目安です。

実行したコマンド

llama.cpp の公式配布 llama-b12210-bin-ubuntu-arm64.tar.gz(リリースのページ)を使い、次のファイルを落としました。

https://huggingface.co/XingChen-AGI/Xing4.0-29B-A4B-GGUF/resolve/main/xing4_0-29b-iq2_M-slim.gguf

速度(llama-bench):

nice -n 10 ./llama-bench -m xing4_0-29b-iq2_M-slim.gguf -t 3 -p 512 -n 128 -r 2 -o json

回答: llama-server を次のように起動し(ポートは空いている番号を毎回選んでいます。ここでは 8080)、質問ごとに /v1/chat/completions へ次の本文を送りました(変わるのは質問の文だけです。例は敬語のメールの問い)。

nice -n 10 ./llama-server -m xing4_0-29b-iq2_M-slim.gguf -t 3 -c 4096 --jinja --host 127.0.0.1 --port 8080 --no-mmproj

curl -s http://127.0.0.1:8080/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d @- <<'EOF'
{
  "messages": [
    {
      "role": "user",
      "content": "取引先の担当者に、来週火曜日の打ち合わせを水曜日に変更してほしいとお願いするメールを、丁寧な敬語で書いてください。"
    }
  ],
  "temperature": 0,
  "seed": 0,
  "max_tokens": 1024,
  "chat_template_kwargs": {
    "enable_thinking": false
  }
}
EOF

日本語の質問への回答(原文のまま)

上の条件で、全モデルに同じ5問を日本語で尋ねた回答を、手を加えずに載せています(温度0・チャットテンプレートが対応していれば思考なし・最大1024トークン)。正誤は判定していません。答えが1つに決まる問いには、正解を併記します。

要約

次の記事を3文で要約してください。

みどり市は今年の春、市内に三つある公立図書館のうち最も古い中央図書館の改修を終え、十月一日に再開館した。改修は約一年半にわたり、総事業費は約十二億円。このうち約四億円は国の補助金でまかなわれた。

最大の変化は、閲覧席の配置である。以前は館内の座席の大半が学習用の机で、試験期間になると中高生で埋まり、高齢の利用者や小さな子ども連れが座れないという苦情が毎年寄せられていた。改修後は座席数を百二十席から二百席に増やしたうえで、学習用の机を三階にまとめ、一階は会話ができる「にぎわいフロア」、二階は静かに本を読む「閲覧フロア」に分けた。一階には予約制のグループ学習室が四室と、飲み物を持ち込めるカフェスペースも設けられた。

蔵書の面でも見直しが進んだ。貸出の少ない古い資料約三万冊を市内の他の館や保存書庫に移し、代わりに子ども向けの絵本と、介護・子育て・仕事探しといった暮らしに関わる実用書を約一万五千冊増やした。電子書籍の貸出サービスも始まり、利用登録をすれば自宅から一度に三冊まで、二週間借りられる。

建物そのものにも手が入った。築四十年を超えていた空調設備を入れ替え、屋上には太陽光パネルを設置して、館内で使う電力の約二割をまかなえるようにした。車いすの利用者から要望の多かったエレベーターは一基から二基に増え、書架の間の通路も以前より三十センチ広げられた。入口には段差のないスロープが新たに設けられ、授乳室と多目的トイレも各階に一つずつ置かれた。

一方で課題も残る。駐車場は改修前と同じ四十台のままで、週末には近くの道路に順番待ちの車が並んだ。市は隣接する市有地を臨時駐車場として開放したが、恒久的な対策は決まっていない。また、開館時間を平日の夜九時まで延ばしたことで職員の負担が増えており、職員団体は人員の追加を求めている。

利用者の受け止めはおおむね好意的だ。週に二度、孫を連れて来るという七十代の女性は「前は子どもが声を出すと周りの目が気になったが、一階なら気兼ねなく絵本を読んであげられる」と話す。一方、受験を控えた高校生の中には「学習席が三階だけになり、夕方はすぐに満席になる」と不満を漏らす人もいる。図書館は、学習席の空き状況をホームページで確認できる仕組みを年内に導入する予定だ。

再開館に合わせて、催しも増えた。毎週土曜の午前には読み聞かせ会、月に一度は地元の農家や商店主を講師に招く「まちの先生」講座が開かれる。十一月には、市内の中学生が選んだ本を紹介する展示も予定されている。

館長の山本和子さんは「本を借りる場所から、人が集まって過ごす場所へ変えたかった。再開館からの一か月で来館者は以前の一・八倍になった」と話す。市は来年度、残る二つの図書館についても利用者への聞き取りを行い、改修の必要性を検討する方針だ。

1. **分析请求：**
    *   **源文本：** 一篇关于绿市中央图书馆重新开放和翻修的简短新闻报道。
    *   **任务：** 将文本总结为三个句子（3文で要約）。

2. **分析源文本（提取关键信息）：**
    *   *第1句（背景与主要变化）：* 绿市中央图书馆在10月1日重新开放，耗时一年半，花费约12亿日元（其中4亿为政府补贴）。最大的变化是阅读区的重新布局：增加了120个座位至200个，将学习桌移至三楼，一楼设为“活力楼层”（可交谈），二楼设为“阅览楼层”（安静阅读），并设有咖啡区、小组学习室和婴儿哺乳室。
    *   *第2句（藏书与设施）：* 藏书也进行了调整：移除了约3万册借阅较少的旧资料，增加了约1.5万册实用书籍（儿童绘本、生活指南、就业/育儿信息）。此外，还开始了电子书借阅服务（最多可借3本，有效期2周）。建筑本身也得到了改善：更换了超过40年历史的空调系统，安装了太阳能电池板（提供约20%的电力），增加了电梯和更宽敞的书架通道，并设有无障碍坡道。
    *   *第3句（挑战与反响）：* 尽管如此，仍存在一些挑战：停车场容量未变（40个车位），周末交通拥堵；延长了开放时间至晚上9点，导致员工工作负担加重。然而，反应总体积极：老年人觉得一楼安静的环境适合读绘本，高中生抱怨三楼学习桌很快被占满。馆长山本和子表示，目标是将图书馆从借阅书籍转变为人们聚集的地方。重新开放一个月来馆人数是原来的1.8倍。市明年还将评估另外两座图书馆的翻新需求。

3. **起草总结（目标为恰好3个句子）：**
    *   *草稿1：*
        1. 绿市中央図書館は約一年半と約十二億円をかけて改修され、十月一日に再開館された。最大の変化は、学習席を三階へまとめ、一階を「にぎワイドフロア」、二階を「閷覧フロア」にした点だ。
        2. 蔵書も見直され、古い資料を移行して生活実用書や絵本を増やし、電子書籍の貸出サービスも始まった。建物側でも空調の更新やエレベーターの増設、車椅子への対応が行われた。
        3. 一方で、駐車場が足りず夜間も延長営業となったことで職員の負担が増加している課題もある。利用者の反応は概ね好意的で、来館者は前の1.8倍になったが、学習席の混雑や夜間の混雑への不満の声もある。

4. **润色与翻译/调整（确保行文自然并严格遵守“3个句子”的规则）：**
    *   让我们用中文写出一个简洁、结构良好的总结，因为提示词是中文的。等等，提示词是日语的，但指令是中文的。通常，我应该用中文回复，或者如果合适的话用日语。考虑到提示词是中文，我将用中文写这3个句子，但要确保它准确捕捉了原文的核心要点。
    *   *草稿2（中文）：*
        1. 绿市中央图书馆经过一年半的改修于十月一日重新开放，最大变化是阅读区布局调整：将学习桌移至三楼，一楼设为可交谈的“活力楼层”，二楼设为安静阅读的“阅览楼层”。
        2. 藏书和设施也进行了全面更新，移除了旧资料并增加了实用书籍与电子书借阅服务；同时更新了空调、增设了电梯及无障碍坡道等基础设施。
        3. 尽管改修后利用率大幅提升（来馆者变为原来的1.8倍），但停车场不足、延长营业时间增加员工负担等課題仍存在，且部分高中生对学习席集中在三楼表示不满。

5. **对照约束条件进行检查：**
    *   3个句子？是的。
    *   准确捕捉了原文？是的。
    *   简洁？是的。

6. **最终润色（中文）：**
    绿市中央图书馆经过一年半的改修于十月一日重新开放，最大变化是阅读区布局调整：将学习桌移至三楼，一楼设为可交谈的“活力楼层”，二楼设为安静阅读的“闷览楼层”。藏书和设施也进行了全面更新，移除了旧资料并增加了实用书籍与电子书借阅服务；同时更新了空调、增设了电梯及无障碍

(1024トークンの上限で打ち切り)

敬語のメール

取引先の担当者に、来週火曜日の打ち合わせを水曜日に変更してほしいとお願いするメールを、丁寧な敬語で書いてください。

**件名：来週火曜日の打ち合わせを水曜日に変更してご検討いただけますか**

---

いつもお世話になっております。

先方の担当者との間で、来週火曜日に予定されていた打ち合わせの日程について、できるだけ都合が合う日程に調整したいと考えておりますので、ぜひ一度水曜日に変更できないかご検討いただけますでしょうか。

念のため、以下の点をお伝えさせていただきます。

**【候補日程】**
・水曜日（具体的な日時は、後日改めて調整させていただきたく存じませ）

なお、来週火曜日の担当者側のスケジュールはすでに押しておりますので、変更の可否については早めにお返事させていただきたく、どうぞよろしくお願い申し上げます。

万が一、水曜日への日程変更が難しい場合は、あらためて適当な日程で調整させていただきますので、あわせてご案内いただけますと幸いです。

何卒よろしくお願い申し上げます。

---

**【会社名】**
〇〇株式会社　〇〇部　〇〇〇
TEL：03-〇〇〇-〇〇〇〇　／　Mail：△△△@△△△.com

文章題

りんごが1個120円、みかんが1個45円です。りんごを3個とみかんを8個買って、1,000円札で払いました。おつりはいくらですか。考え方も示してください。

# りんごとみかんを買ったときのおつり返し額を計算

## 価格の確認
- りんご：1個 120円
- みかん：1個 45円

## 買ったものの合計金額を計算

**りんご 3個の代金：**
$$3 \times 120 = 360 \text{ 円}$$

**みかん 8個の代金：**
$$8 \times 45 = 360 \text{ 円}$$

**合計金額：**
$$360 + 360 = 720 \text{ 円}$$

## おつり（戻額）を計算

$$1000 - 720 = 280 \text{ 円}$$

## 答え
おつりは **280円** です。

参考: 正解は280円です(120×3=360円、45×8=360円、1,000−720=280円)。

知識

日本の都道府県のうち、海に面していない県をすべて挙げてください。

# 日本の海に面していない都道府県

日本は島国であるため、ほとんどの県が海に面していますが、以下の10の都府県は海に面していません。

1. **北海道**（渡と蝎蟻島など）
2. **四国**（直島など）
3. **沖�oken**（択冱島など）
4. **佐賴**（与上港など）
5. **琉留**（与嘉島など）
6. **九州**（大口町など）
7. **山梨**（笛川村など）
8. **静知**（知ノ里村など）
9. **都知**（神ノ崎町など）
10. **佐賀**（相知町など）

## 補足

※ 2023年時点では、一部の島帜については国際的に「海に面している」と判定される場合がありますが、日本国内では上記の10県が該当します。なお、近年の国境付近の島々の編れ替えなどにより、数は変動する可能性があります。

ただし、**佐蟊県**については、近年の国境の変更により「海に面していない」という説もありますので、一概には言えません。

参考: 正解は8県です(栃木県・群馬県・埼玉県・山梨県・長野県・岐阜県・滋賀県・奈良県)。

指示どおりの創作

「春」をテーマにした俳句を3つ、五・七・五の音数を守って作ってください。それぞれに一言の説明を付けてください。

# 春をテーマにした俵句

---

**1.**
窓拭きして春を見るけや、暖粞かす隙間より

（窓を拭いて春を見るようなものだ、暖窹（あんROID）が隙間から差す光が春。）

---

**2.**
菜の花揉みし里を来て、雪解け惜しからずや

（菜の花を揉んだ場所を訪れて、雪解けを詰り損じないようにとの意。）

---

**3.**
芽吹き立ち添う木の下、風や吹き返して散る声

（芽が吹き出した近い木の下を、風が返して散らばせる音。）

---

## 解説

- **句1**：「暖窹（あんROID）」は「暖縏（あんROID）」とも呼ばれる春の陽ざしを指す。窓を拭いて春を発見する所作が、春への気づきを促す。
- **句2**：菜の花畑を訪れ、「雪解けを詰り（こぼさず）」ようにと、春の喜びを控えた表現で、季語としての「春」を凝らした一句。
- **句3**：芽吹く草木の下で、風が葉を返して散らばせる音＝「散る声」が春の情景を生きる。

同クラスの既報モデル

当サイトが最近取り上げた、パラメータ数 15〜40B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。

入手方法

• 配布形式: Hugging Face の XingChen-AGI/Xing4.0-29B-A4B に Transformers 形式(safetensors)の重みがあります。公式の FP8 版と GGUF 版は別のリポジトリにあります。ModelScope・Modelers でも配布されています
• 入手コマンドの例: huggingface-cli download XingChen-AGI/Xing4.0-29B-A4B
• 対応エンジン: モデルカードは vLLM・SGLang・KTransformers を挙げ、起動手順は GitHub リポジトリに置いています。GitHub の Transformers での推論例は trust_remote_code=True を指定しており、リポジトリに同梱されたコードを実行する点に注意が要ります
• 手元の機材で動かす場合: 公式の GGUF 版を使えば llama.cpp 系のツールで試せます。1トークンあたりの計算量は活性パラメータの 4B 分なので、同じ総パラメータの密なモデルより生成は速いです。ただしメモリには 29B 分の重みがすべて載る必要があります。必要なメモリの目安は下の表を参照してください

派生版・量子化版

各リポジトリの量子化とファイルサイズ:

• XingChen-AGI/Xing4.0-29B-A4B-GGUF の量子化: IQ4_NL 18.7GB
• XingChen-AGI/Xing4.0-29B-A4B-FP8 の量子化: FP8 30.9GB
• mlx-community/Xing4.0-29B-A4B-OptiQ-4bit の量子化: MLX 4bit 19.2GB

このほか、上記以外の投稿者による変換版が 12 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。

この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。

同じ用途の既報モデル

当サイトが取り上げたテキスト生成のモデルを新しい順に並べています。用途は配布元がHugging Faceに付けたタスク(pipeline_tag)から機械的に分けたもので、最小のVRAM階層は当サイトの概算です。

• 「Naive-N0.5-Flash」AI研究とコーディング向けMoEモデル：必要メモリ約690GB(80GB超)
• 「LFM2.5-350M-Diffusion-Exp」ブロック拡散型の軽量言語モデル：必要VRAM 4GB〜(425M・4GB)
• Xiaomi MiMo-V2.6-MOPDモデル公開：マルチモーダル対応MoE
• 「MiMo-V2.6-Pro-RL」テキスト生成モデル：必要メモリ約417GB・GGUF版あり(80GB超)

テキスト生成のモデルをすべて見る →

次に読むなら

• GPUのVRAMから探す(このモデルは24GBの階層から動きます) → 24GBのGPUで動くほかのモデル
• 同じモデル系統を調べる → Xing4.0 系統のまとめ(記事1本・変換版3件)
• このモデルを動かすエンジンを調べる → llama.cpp / Ollama
• 入手できる形式と、表に出てくる IQ4_NL の意味を知る → GGUF形式の解説と対応モデル / MLX形式の解説と対応モデル / FP8形式の解説と対応モデル / 量子化・モデル形式の用語集
• 公開元について調べる → 中国電信(Xing・TeleChat) のモデル・ライセンス・記事のまとめ

出典

• https://huggingface.co/XingChen-AGI/Xing4.0-29B-A4B
• https://github.com/XingChen-AGI/Xing4.0-29B-A4B

更新履歴

• 2026-09-28: 変換版を「派生版・量子化版」に追記しました: XingChen-AGI/Xing4.0-29B-A4B-GGUF, XingChen-AGI/Xing4.0-29B-A4B-FP8, mlx-community/Xing4.0-29B-A4B-OptiQ-4bit
• 2026-09-28: 動作環境の表を XingChen-AGI/Xing4.0-29B-A4B-GGUF の実ファイルサイズで更新しました。
• 2026-09-28: タイトルを、記事で分かる内容(必要VRAM・配布ファイル等)を示す形に変更しました。
• 2026-09-28: 当サイトでの実測(GGUFファイルの中身)を追加しました。
• 2026-09-30: 当サイトでの実測(配布元のコードで動かしたVRAMと日本語の質問への回答)を追加しました。
• 2026-09-30: タイトルを、記事で分かる内容(必要VRAM・配布ファイル等)を示す形に変更しました。
• 2026-11-09: 当サイトでの実測(CPUでの速度と日本語の質問への回答)を追加しました。