Mitä Huawein openPangu-2.0-Pro-julkaisu todella tekee mahdolliseksi Ascend-alustalla

Huawein openPangu-2.0-Pro ei ole pelkkä uusi mallipainojulkaisu, mutta sitä ei kannata myöskään kutsua täysin toistettavaksi koulutusreseptiksi. Julkaisu avaa merkittävän väylän suuren kielimallin tutkimiseen ja käyttöönottoon Huawein Ascend-alustalla. Se ei vielä kerro ulkopuoliselle organisaatiolle kaikkea, mitä alkuperäisen, erittäin suuren koulutusajon rakentaminen uudelleen vaatisi.

Keskeinen täsmennys on tärkeä: Pro on mixture-of-experts- eli MoE-malli, jossa on yhteensä noin 505 miljardia parametria, mutta tokenia kohden aktivoituu noin 18 miljardia parametria – ei 180 miljardia. Mallin konteksti-ikkuna on 512K tokenia, ja esikoulutukseen käytettiin mallikortin mukaan noin 34 biljoonaa tokenia. 21

Mitä Huawei on julkaissut

Huawei ilmoitti 31.7.2026 julkaisseensa openPangu-2.0-Pro-mallin painot, perusinferenssikoodin ja teknisen raportin. Yhtiön mukaan openPangu 2.0:n muita osia tuodaan avoimille kanaville vaiheittain. 12

Julkaisun osat palvelevat eri tarkoituksia:

• Mallipainot mahdollistavat valmiiksi koulutetun mallin arvioinnin ja ajamisen.
• Perusinferenssikoodi tarjoaa toteutuspolun nimenomaan Ascend-ympäristöön.
• Tekninen raportti ja mallidokumentaatio avaavat arkkitehtuuria ja Huawein raportoimia suunnitteluratkaisuja. 1221

Huawein HDC 2026 -tapahtumassa esitelty suunnitelma käsitteli seitsemän komponentin asteittaista avaamista. Näihin kuuluvat esikoulutuskoodi, jälkikoulutuskoodi ja koulutusoperaattorit. 210 Jos ne julkaistaan käyttökelpoisessa muodossa, kokonaisuus lähestyy aidosti koulutuksesta inferenssiin ulottuvaa pinoa selvästi pidemmälle kuin pelkkiin painoihin rajoittuvat julkaisut.

Miksi ”täysin toistettava” olisi vielä liian vahva väite

Avoimet mallipainot eivät yksin tee mallista koulutustasolla toistettavaa. Niillä voi testata julkaistua tarkistuspistettä, mutta ne eivät paljasta kaikkia ehtoja, joilla sama tarkistuspiste on alun perin tuotettu.

Noin 34 biljoonan tokenin esikoulutuksen rakentaminen uudelleen edellyttäisi ainakin tarkkaa koulutusdataa tai sen toistettavaa muodostusohjetta, täydellisiä koulutus- ja jälkikoulutusratkaisuja, hyperparametreja, laskentaklusterin topologiaa, ohjelmisto- ja kääntäjäversioita, hajautetun koulutuksen asetuksia, mahdollisia mukautettuja operaattoreita, arviointijärjestelyä sekä riittävää yhteensopivaa laitteistoa.

Nykyiset julkaistut materiaalit vahvistavat painojen, perusinferenssikoodin ja raportin saatavuuden, kun taas lisäkomponenttien kerrotaan tulevan vaiheittain. 1221 Täsmällisin kuvaus on siksi: Ascend-ensin suunniteltu avoin mallijulkaisu, jolla on ilmoitettu polku kohti laajempaa pinon läpinäkyvyyttä. Se ei vielä osoita, että ulkopuolinen toimija pystyisi toisintamaan alkuperäisen koulutusajon itsenäisesti.

Miten 512K-kontekstia yritetään tehdä käytännölliseksi

Mallin suuri kokonaisparametrimäärä yhdistyy ratkaisuihin, joiden tavoitteena on hillitä pitkän kontekstin ja generoinnin kustannuksia.

MoE aktivoi vain osan mallista

MoE-mallissa kukin token ohjataan vain osalle asiantuntijaparametreista. Pron mallikortin mukaan mallissa on noin 505 miljardia parametria, joista tokenia kohden aktivoituu noin 18 miljardia. 21

Tämä ei tee mallista kevyttä: 505 miljardin parametrin mallin tallennus, palvelu ja mallin osien välinen tiedonsiirto vaativat edelleen huomattavaa infrastruktuuria. Se kuitenkin vähentää yksittäisen tokenin laskennassa käytettävää parametrimäärää verrattuna yhtä suureen tiheään malliin.

DSA ja SWA jakavat työn lähi- ja kaukokontekstin välillä

openPangu-2.0-Pro säilyttää MLA-ratkaisun ja yhdistää DSA:n sekä liukuvaan ikkunaan perustuvan tarkkaavuuden, SWA:n, suhteessa 1:2. Huawein mukaan SWA-kerrokset mallintavat paikallista ikkunaa, kun DSA-kerrokset kokoavat harvaa globaalia kontekstia. Tavoitteena on vähentää pitkän kontekstin inferenssin laskentaa, muistijalanjälkeä ja muistihakujen kustannusta tarkkuutta säilyttäen. 21

Ratkaisu kohdistuu 512K-kontekstin perusongelmaan: kaikkien tokenien välinen täysi tarkkaavuus käy nopeasti kalliiksi. Paikallinen tarkkaavuus käsittelee läheistä tietoa edullisemmin, ja harvat globaalit mekanismit pyrkivät pitämään olennaisen kaukaisen aineiston saatavilla.

Neljä residuaalivirtaa, monen tokenin ennuste ja Muon

Huawei kuvaa myös nelivirtaista mHC-residuaalitopologiaa, jonka tarkoitus on lisätä esitysten monimuotoisuutta ja parantaa yleistettävyyttä. Kolmipäinen usean tokenin ennustemoduuli ennustaa ylimääräisiä tulevia tokeneita, millä pyritään nopeuttamaan inferenssiä. Mallikortin mukaan koulutuksessa käytetään Muon-optimointimenetelmää nopeamman konvergenssin tavoittelemiseksi. 21

Nämä ovat Huawein omissa materiaaleissa esitettyjä arkkitehtuuri- ja optimointiväitteitä, eivät riippumaton osoitus samasta nopeusparannuksesta kaikissa ympäristöissä. Käytännön viive ja läpimeno riippuvat muun muassa kiihdytinkokoonpanosta, tarkkuudesta, eräkoosta, kontekstin pituudesta, kuormitusprofiilista ja palvelinohjelmistosta.

Missä pitkän kontekstin agenteista voisi olla hyötyä

512K-tokenin ikkuna voi mahdollistaa aiempaa suuremman aineistomäärän pitämisen samassa agentti-istunnossa: esimerkiksi ohjeistukset, sopimukset, lokit, aiempien työkalukutsujen tulokset ja tekniset määrittelyt. Se voi vähentää aineiston aggressiivista pilkkomista, mutta ei poista tiedonhaun, käyttöoikeuksien, lähteiden tarkistamisen tai ihmisen hyväksynnän tarvetta.

Mahdollisia käyttökohteita ovat esimerkiksi:

• Julkinen hallinto: säädösten, lausuntoaineistojen, tapausmateriaalien ja viranomaisdokumenttien avustava analyysi. Päätösten on säilyttävä auditoitavina ja ihmisten vastuulla.
• Rahoitus: tutkimusmateriaalin, raporttien, sopimusten ja compliance-aineiston läpikäynti. Tarkistamatonta mallivastausta ei pidä käyttää suoraan sijoitus-, luotto- tai viranomaispäätöksiin.
• Teollisuus ja energia: laiteohjeiden, hälytyshistorian, huoltokirjausten, prosessidokumenttien ja vuororaporttien yhdistäminen vian selvityksen ja suunnittelun tueksi.
• Terveydenhuolto: tutkimuskirjallisuuden ja pitkittäisten potilastietojen tiivistäminen kliinisen hallinnan alaisena, ei itsenäinen diagnosointi tai hoitopäätös.
• Autonomisen ajamisen kehitys: testilokien, skenaariokuvausten, turvallisuusperustelujen ja teknisten dokumenttien offline-analyysi – ei validoidun reaaliaikaisen ajojärjestelmän korvaaminen.

Monille pienemmille organisaatioille Pro jää MoE-rakenteestaan huolimatta vaikeaksi itse ylläpidettäväksi. Huawei on julkaissut myös openPangu-2.0-Flash-version, jossa on 92 miljardia parametria ja 6 miljardia tokenia kohden aktivoituvaa parametria. Se voi olla realistisempi vaihtoehto kokeiluihin ja käyttöönottoon. 1520

Ohjelmistokehityksessä apuri, ei itsenäinen ylläpitäjä

Huawei raportoi openPangu-2.0-Pro Thinking -version saavuttaneen 68,5 pistettä SWE-bench Verified -vertailussa. 24 Tulos on huomionarvoinen, mutta se ei osoita mallin kykenevän omistamaan luotettavasti monimutkaista tuotanto-ohjelmistotyötä.

Todellisissa koodikannoissa tarvitaan ympäristön pystytystä, riippuvuuksien hallintaa, testien ajoa, tietoturvakatselmuksia, arkkitehtuuriratkaisuja, muuttuvien vaatimusten tulkintaa ja pitkäjänteistä virheiden selvittämistä. Järkevä käyttömalli on valvottu koodausagentti, jolla on rajatut repositoriokohtaiset oikeudet, eristetty ajokäyttöympäristö, automaattiset testit, staattinen analyysi, koodikatselmointi ja palautusmenettelyt – ei automaattinen yhdistäminen päähaaraan.

Vaiheittainen julkaisu on ekosysteemistrategia

Julkaisun strateginen arvo ei rajoitu mallipainoihin. Ascend-alkuperäinen referenssimalli voi houkutella kehittäjiä rakentamaan, testaamaan ja optimoimaan kuormia Ascendille. Nämä kuormat puolestaan kasvattavat tarvetta paremmille ajonaikaisille ympäristöille, operaattoreille, työkaluille ja hallituille palveluille.

Huawei ohjaa kehittäjät, yrityskumppanit ja tutkijat Ascend Tribe -yhteisöön sekä Huawei Cloudin MaaS-palveluun latauksia, käyttöä ja palautetta varten. 12 Flash- ja Pro-versioiden julkaiseminen eri kokoluokissa laajentaa mahdollista käyttäjäkuntaa, ja suunnitellut koulutus-, jälkikoulutus- ja operaattorikomponentit kohdistuvat niihin ohjelmistokerroksiin, jotka ratkaisevat, onko laitteistoalusta käytännössä käyttökelpoinen mallien rakentajille. 1015

openPangu 2.0 kannattaa siis ymmärtää ennen kaikkea hankkeena, joka vahvistaa Ascend- ja Pangu-kehitysekosysteemiä. Julkaisu on jo merkityksellinen käyttöönoton, tarkastelun ja kokeilujen kannalta. Täyden toistettavuuden voi kuitenkin arvioida vasta, kun jäljellä olevat koodit, asetukset ja dataan liittyvät tiedot ovat saatavilla – ja riippumattomat toimijat ovat testanneet, mitä kokonaisuudesta voidaan todella rakentaa uudelleen.