Il sito che ti spiega l'AI.
News, strumenti e guide in italiano.
Machine learning

Xing4 di China Telecom: 285 miliardi di parametri addestrati solo su chip Huawei Ascend

Xing4 è la nuova serie di modelli agentici addestrata su 8.192 chip Ascend 910C, senza GPU Nvidia. Ecco cosa dice il report.

Daniele Della Corte
Novembre 19, 2026
Lettura: 6 min
Server in un data center per l'addestramento di modelli AI
fonte: unsplash photo-1558494949

Il 17 novembre 2026 è comparso su arXiv un rapporto tecnico che a prima vista sembra l’ennesimo paper cinese sui modelli linguistici, ma racconta una storia più interessante. Si chiama TeleChat to Xing4 e descrive una nuova serie di modelli per agenti addestrata interamente su chip Huawei Ascend, senza una sola GPU Nvidia. Il modello più grande ha 285 miliardi di parametri ed è stato preaddestrato su 8.192 schede Ascend 910C.

Dietro il lavoro ci sono Xingchen AGI Lab, China Telecom, Huawei e l’Harbin Institute of Technology di Shenzhen. In questo articolo ti spiego cosa c’è davvero nel report, quali dettagli tecnici contano e perché la notizia pesa più dei numeri sui parametri.

Che cos’è Xing4 e da dove arriva

Xing4 è la continuazione della linea TeleChat, la famiglia di modelli sviluppata dal gruppo di intelligenza artificiale di China Telecom. Il report copre tre livelli: le scelte di architettura, il preaddestramento su larga scala e la fase di post-addestramento orientata agli agenti. Tutto è stato pensato e ottimizzato per la piattaforma Ascend e per il framework MindSpore, lo stack software di Huawei.

Non è la prima volta che questo gruppo prova la strada dei chip domestici. Il South China Morning Post aveva già raccontato i primi modelli MoE di China Telecom addestrati solo su chip Huawei, all’epoca su schede Ascend 910B. Xing4 è il salto di scala successivo.

I due modelli al centro del report

Il rapporto distingue due risultati. Il primo è un modello a pesi aperti da 29 miliardi di parametri con architettura mixture-of-experts, che attiva circa 4 miliardi di parametri per token e supporta nativamente contesti da 256.000 token. È addestrato interamente su NPU Ascend ed è la parte della serie che chiunque potrà scaricare e provare.

Il secondo è il modello da 285 miliardi di parametri, il vero banco di prova dell’infrastruttura. Secondo il documento, l’addestramento di un modello da mille miliardi di parametri è già in corso.

Le scelte tecniche che contano

Il modello da 285 miliardi ha 45 livelli: i primi tre sono densi, gli altri sono a esperti. L’attenzione combina Multi-head Latent Attention e DeepSeek Sparse Attention, con condivisione degli indici tra i livelli per rendere più economico il servizio su contesti lunghi. Gli autori scrivono di aver scelto un layout più largo e meno profondo rispetto al progetto di riferimento, perché migliora latenza e throughput.

È un dettaglio che dice molto: il progetto non è stato copiato da un’architettura pensata per GPU Nvidia, ma adattato a ciò che i chip Ascend fanno meglio.

Sul fronte dell’inferenza il report introduce DSpark, un sistema di decodifica speculativa che abbina un modello bozza a blocchi a piccole teste di correzione. Secondo i numeri dichiarati dagli autori, la decodifica speculativa porta un aumento di throughput tra 2,67 e 3,77 volte, mentre il prefill arriva fino a 4,68 volte rispetto a una base con sola attenzione MLA. Sono misure riportate dal paper stesso, quindi vanno lette come dati dichiarati e non ancora verificati da terzi.

Un’infrastruttura di addestramento costruita sul software Huawei

Il preaddestramento poggia su MindSpore HyperParallel e usa sharding ibrido, un ottimizzatore Muon basato sul concetto di proprietario dei parametri, affinità dei processori e isolamento dei core. Rimuovere il pipeline parallelism ha dato, sempre secondo il report, un guadagno di throughput del 16,1%.

Sono ottimizzazioni poco spettacolari, ma sono esattamente il lavoro che separa un cluster che esiste sulla carta da uno che addestra davvero un modello di frontiera.

Vale la pena capire perché questi numeri interessano anche a chi non si occupa di chip. Un modello mixture-of-experts attiva soltanto una parte dei suoi parametri a ogni token, e questo rende l’inferenza molto meno costosa rispetto a un modello denso della stessa dimensione. Se poi l’attenzione è progettata per contesti lunghi, il vantaggio si vede soprattutto negli agenti, che devono tenere in memoria istruzioni, strumenti e storico delle azioni per decine di passaggi consecutivi.

Addestrare agenti con TeleGym

Il titolo del report parla di modelli agentici, e non per caso. Nella fase di post-addestramento gli autori hanno costruito TeleGym, una piattaforma integrata di esecuzione per agenti che collega l’esecuzione dei compiti, la valutazione e la costruzione delle traiettorie all’ottimizzazione della policy. In pratica il modello impara a usare strumenti e a portare a termine attività articolate in ambienti simulati, seguendo la stessa logica già vista nei grandi laboratori occidentali.

Il documento che ho consultato non include una tabella completa di benchmark con confronti diretti contro i modelli di OpenAI, Google o Anthropic. Per questo è prudente non trarre conclusioni sulla qualità assoluta di Xing4: le metriche pubblicate riguardano soprattutto efficienza e throughput, non l’intelligenza generale del modello.

Perché questa notizia conta davvero

La domanda chiave non è se Xing4 batta un modello americano, ma se sia possibile addestrare un modello di grande scala senza hardware Nvidia. Il report dice di sì, con una pila completa: chip Ascend, framework MindSpore, ottimizzatori, piattaforma per agenti. Per le aziende cinesi soggette a restrizioni sull’export di chip avanzati è una prova di autonomia tecnologica.

Il contesto politico rende il tema ancora più rilevante. Secondo le cronache di questi giorni, Nvidia smetterà di vendere i chip H200 in Cina, e in parallelo Washington valuta una regola che obbligherebbe le aziende statunitensi a dichiarare l’uso di modelli cinesi. Se l’ecosistema domestico regge, la leva dei controlli sulle esportazioni si indebolisce.

Il filone dei modelli cinesi a pesi aperti, del resto, è già molto attivo. Su questo sito trovi la nostra analisi di Qwen4 Max Preview di Alibaba, il racconto di Kimi K3.1 Pro di Moonshot AI e quello del motore di inferenza DeepInfer di DeepSeek. Xing4 aggiunge un tassello diverso: non solo il modello, ma la dimostrazione dell’intera filiera hardware.

C’è infine una questione di tempi. L’annuncio di un modello da mille miliardi di parametri ancora in addestramento suggerisce che il gruppo non considera Xing4 un punto di arrivo, ma l’inizio di una serie. Se il cluster Ascend reggerà anche a quella scala, la distanza tra l’ecosistema cinese e quello americano si misurerà sempre meno in termini di accesso all’hardware.

Cosa resta da verificare

Restano aperte diverse questioni. Il report non chiarisce la licenza esatta del modello da 29 miliardi né quando arriverà il rilascio dei pesi del modello più grande, e mancano valutazioni indipendenti. Va ricordato anche che parte dei risultati sono misure interne degli autori, ottenute sul loro stesso hardware e con i loro stessi benchmark.

Conviene quindi leggere Xing4 per quello che è: un documento tecnico serio, utile a capire lo stato dell’arte dell’addestramento su chip non Nvidia, ma ancora da mettere alla prova fuori dal laboratorio.

Cosa cambia per chi lavora con l’AI

Per sviluppatori e aziende europee il messaggio pratico è duplice. Da una parte, il panorama dei modelli aperti si allarga e presto potresti avere a disposizione un modello da 29 miliardi con contesto lungo, pensato per compiti agentici e con un costo di inferenza contenuto grazie ai soli 4 miliardi di parametri attivi. Dall’altra, la geografia dell’hardware sta cambiando: i modelli di frontiera non dipendono più da un solo fornitore di chip.

Se usi o valuti modelli di origine cinese, ricordati di controllare licenza, provenienza dei pesi e requisiti di conformità prima di portarli in produzione.

Conclusioni

Xing4 non è la notizia più rumorosa della settimana, ma è una delle più istruttive. Mostra che l’addestramento di modelli agentici da centinaia di miliardi di parametri è possibile su un’infrastruttura interamente domestica, e che la competizione sull’AI si gioca ormai tanto sul silicio e sul software di sistema quanto sui modelli. Il consiglio è di leggere il report originale su arXiv, seguire il rilascio dei pesi e osservare i primi test indipendenti. Se vuoi restare aggiornato su questi sviluppi, continua a seguire le news di intelligenzaartificiale.net.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

  • Le guide e le notizie della settimana, divise per rubrica
  • Solo ciò che conta, verificato e spiegato in italiano
  • Niente spam, ti cancelli con un clic

Daniele Della Corte
Rivisto e verificato da

Daniele Della Corte

Fondatore di IntelligenzaArtificiale.net · Consulente SEO e AI dal 2008

Prima della pubblicazione controlla fonti, numeri e nomi, e risponde personalmente di quello che leggi. Lavora con l'intelligenza artificiale da oltre 7 anni: ha fondato BeProud.ai e ha progettato la redazione di questo sito.

Consulenza AIVuoi applicare l'AI al tuo lavoro? Ti aiuto a scegliere cosa automatizzare e a realizzarlo.

Scopri la consulenza