Xing4.0-29B-A4BのW8A8量子化版「Xing4.0-29B-A4B-w8a8」公開

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | XingChen-AGI/Xing4.0-29B-A4B-w8a8 |
| 公開元のまとめ | 中国電信(Xing・TeleChat) のモデルとライセンスのまとめ |
| 公開日 | 2026-10-16 |
| ライセンス | apache-2.0 |
| 配布形式 | safetensors |
| 論文 | arXiv:2512.24157, arXiv:2507.18013 |
| 出典の種類 | 公開元の一次情報(公式HFリポジトリで一次情報確認) |
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。
概要
中国電信人工智能科技(China Telecom Artificial Intelligence Technology Co., Ltd.)が開発する「Xing4.0-29B-A4B」のW8A8量子化版モデル「Xing4.0-29B-A4B-w8a8」が公開されました。重みとアクティベーションの両方を8ビット整数に量子化することで、モデルの精度を維持しながらメモリ使用量を抑え、Ascend NPUデバイス上での推論効率を向上させています。本モデルは総パラメータ数29Bのうちトークンあたり4Bのみを活性化するMoEモデルであり、ネイティブで256K、最大512Kのコンテキスト長をサポートしています。
本モデルに関連する論文(arXiv:2512.24157)では、Ascend NPUクラスタ上で大規模モデルサイズへの安定的かつ効率的なスケーリングを可能にする訓練インフラが提示されています。演算子レベルおよびエンドツーエンドの数値精度検証や、パイプラインスケジューリング、通信最適化などの体系的な並列化フレームワークを通じて、ハードウェアエコシステムにおける大規模言語モデル開発の基盤を確立することを狙いとしています。
スペック
- 総パラメータ数: 29B
- 活性パラメータ数: トークンあたり4B
- アーキテクチャ: mHC + MLA + MTPアーキテクチャ(MoE)
- レイヤー数: 40
- 隠れ層サイズ(Hidden Size): 3584
- Dense FFN中間サイズ: 9216
- エキスパート中間サイズ: 1024
- アテンション種別: MLA
- ルーティングエキスパート数: 64
- トークンごとの活性エキスパート数: 4
- 共有エキスパート数: 1
- コンテキスト長: 256K(最大512Kまで拡張可能)
性能
モデルカードで公開されているベンチマークスコアの比較表は以下のとおりです。比較対象として同等規模のオープンウェイトモデルであるGemma4-26B-A4BおよびQwen3.6-35B-A3Bが挙げられています。なお、これらの数値は公開元自身が公表した測定結果です。
| Benchmark | Xing4.0-29B-A4B | Gemma4-26B-A4B | Qwen3.6-35B-A3B |
|---|---|---|---|
| IFBench | 69.67 | 72.67 | 65.50 |
| AIME2026 | 90.00 | 88.30 | 92.70 |
| AA.LCR | 61.00 | 66.00 | 62.00 |
| Tau3-Bench | 64.63 | 58.90 | 67.20 |
| Claw-Eval | 76.55 | 71.49 | 74.54 |
| SWE-bench Verified | 75.00 | 53.00 | 76.00 |
| Terminal-Bench 2.1 | 57.50 | 30.00 | 51.50 |
| SWE-bench Multilingual | 66.00 | 51.00 | 67.20 |
| DeepresearchBII | 60.80 | 39.30 | 59.70 |
この測定結果から、Xing4.0-29B-A4Bはエージェント機能や端末操作、調査系のタスクにおいて高い適性を示していることが分かります。特にターミナル上で実際にコマンドを実行して与えられた作業を完結できるかを測るTerminal-Bench 2.1では57.50を記録し、Gemma4-26B-A4Bの30.00やQwen3.6-35B-A3Bの51.50を大きく上回って最高スコアとなっています。また、Claw-Eval(76.55)やDeepresearchBII(60.80)でも比較対象の中で最も高い数値を達成しています。
実在するGitHubのissueをもとにリポジトリを編集して課題を解決できるかを評価するSWE-bench Verifiedにおいては75.00と高い水準を示しているものの、Qwen3.6-35B-A3Bの76.00にはわずかに届いていません。さらに、業務手順を守りながら対話とツール呼び出しを両立できるかを測るTau3-Bench(64.63)や、IFBench(69.67)、AA.LCR(61.00)といった項目ではGemma4-26B-A4BやQwen3.6-35B-A3Bの後塵を拝しており、タスクの性質によって得手不得手が分かれる結果となっています。
得意なこと・想定用途
Xing4.0-29B-A4B-w8a8(元モデル:Xing4.0-29B-A4B)は、エージェント機能や複雑なタスクの自動実行に重点を置いて設計されています。mHC + MLA + MTPアーキテクチャで構築されており、マルチステップの計画立案、外部ツールの呼び出し、複雑な推論チェーンの実行を得意としています。256K(最大512Kまで拡張可能)という超長文コンテキスト環境下においても、タスクの一貫性と実行の安定性を維持できます。
外部ツールやフレームワークとの親和性も考慮されており、OpenCode、Claude Code、OpenClaw、Hermesといった各種エージェントフレームワークへのフォーマット調整とターゲット適合が行われています。これにより、既存のエージェントシステムや開発ワークフローへスムーズに導入できます。
また、特定領域のデータを用いたドメイン特化チューニングも容易に行えるように作られています。独自データによる軽量なファインチューニングを通じて、以下のような専門的な垂直ドメイン業務向けモデルを短期間かつ低コストで構築可能です。
- 意図分類(Intent Classification)
- 表理解(Table Understanding)
- 契約書の監査・検証(Contract Auditing)
- ナレッジベースに基づくQA(Knowledge-based QA)
ファインチューニング用のフレームワークとしては、LLaMA-FactoryおよびMindFormersがサポートされています。
推論時の設定については、タスクの特性に応じた推奨生成パラメータが提示されています。
- 複雑な推論 / 一般タスク: temperature 1.0、top_p 0.95、repetition_penalty 1.05
- コーディング / エージェントタスク: temperature 0.8、top_p 0.95、repetition_penalty 1.05
加えて、OpenAI互換APIでの呼び出しの際に chat_template_kwargs 内の enable_thinking オプションを切り替えることで、思考(thinking)プロセスの有効化と無効化を制御できるようになっています。
入手方法
本モデル「Xing4.0-29B-A4B-w8a8」は、Hugging Faceのリポジトリにてsafetensors形式で公開されています。ライセンスはApache 2.0が適用されており、利用にあたってのライセンス同意手続き(gated)は不要でダウンロードできます。
重みとアクティベーションをともに8ビット整数に量子化(W8A8)した本モデルは、Ascend NPUデバイス上での推論動作に最適化されています。モデルのデプロイやサービングのためのエンジンとしては、以下のツールに対応しています。
- vLLM
- SGLang
- KTransformers
また、OpenAI互換のAPIエンドポイント経由での接続に対応しており、Pythonの openai ライブラリなどを用いて以下のように呼び出して使用できます。
from openai import OpenAI
client = OpenAI(
base_url="your-base-url",
api_key="your-api-key",
)
completion = client.chat.completions.create(
model="Xing4.0-29B-A4B",
messages=[{"role": "user", "content": "Briefly explain the basic principles of quantum computing."}],
temperature=1.0,
top_p=0.95,
extra_body={
"repetition_penalty": 1.05,
"skip_special_tokens": False,
"spaces_between_special_tokens": False,
"chat_template_kwargs": {
"enable_thinking": True,
},
},
)
print(completion.choices[0].message.content)
具体的なサービング手順や詳細な起動コードについては、公式のGitHubリポジトリ(https://github.com/XingChen-AGI/Xing4.0-29B-A4B )に情報がまとめられています。
手元で動かせるか
現時点では Ollama・LM Studio・llama.cpp で動かせません(GGUF版を確認できていない)。
公開元の配布は safetensors のみです。ただし llama.cpp の登録表にはこのモデルのアーキテクチャ名があるため、GGUFへの変換自体は可能な状態で、変換版が公開されれば動くようになります。現時点で動かすなら transformers(PyTorch) で読み込む形になり、必要メモリは上の表のとおりです。
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。
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。
関連記事
- 「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〜
- 「Kimi-K3.1-Pro」VLMモデル:必要メモリ約1128GB・GGUF版あり
- 「Ling-3.0-flash-Sante-fp8」医療分野に特化した大規模言語モデル:必要メモリ約144GB
- 「Ling-3.1-flash-1019」テキスト生成モデル:必要メモリ約641GB・GGUF版あり
次に読むなら
- このモデルを入手できる形式を調べる → Safetensors形式の解説と対応モデル
- 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
- 同じ用途の他のモデルを探す → テキスト生成のモデル一覧
- 記事に出てくる SWE-bench・Terminal-Bench の読み方を知る → ベンチマーク用語集

