openPangu-2.0-Pro non rende ancora replicabile l’intero addestramento: apre però una strada concreta per l’AI su Ascend

Il rilascio di openPangu-2.0-Pro da parte di Huawei è più importante di una semplice pubblicazione di pesi, ma va descritto con precisione: rende ispezionabile e distribuibile un grande modello pensato innanzitutto per la piattaforma Ascend; non offre ancora una ricetta completa e verificabile per rifare dall’esterno il suo addestramento su scala frontier.

Le specifiche, peraltro, vengono spesso riportate in modo errato. Pro è un modello mixture-of-experts (MoE) con circa 505 miliardi di parametri complessivi, di cui circa 18 miliardi attivati per ciascun token. Supporta una finestra di contesto di 512K token ed è stato addestrato su circa 34 trilioni di token, secondo la scheda del modello. 21

Cosa è stato pubblicato

Huawei ha annunciato il 31 luglio 2026 la disponibilità open source dei pesi di openPangu-2.0-Pro, del codice di inferenza di base e del report tecnico. L’azienda ha inoltre indicato che gli altri componenti della famiglia openPangu 2.0 sarebbero arrivati progressivamente attraverso i propri canali open source. 12

Ogni elemento risponde a un’esigenza concreta diversa:

• i pesi consentono di valutare il checkpoint addestrato e di servirlo;
• il codice di inferenza indica un percorso implementativo per l’ambiente Ascend;
• il report tecnico e la documentazione del modello illustrano architettura e scelte progettuali dichiarate. 1221

Nel piano presentato alla conferenza HDC 2026, Huawei aveva parlato dell’apertura graduale di sette componenti, fra cui codice di pretraining, codice di post-training e operatori per l’addestramento. 210 Se questi livelli saranno pubblicati in forma realmente utilizzabile, il progetto si avvicinerà a una pila completa, dall’addestramento all’inferenza, ben più di quanto accada con una distribuzione dei soli pesi.

Perché «pienamente riproducibile» è ancora una definizione eccessiva

Un modello con pesi aperti non è automaticamente riproducibile alla scala del suo addestramento. I pesi scaricabili permettono di testare il checkpoint pubblicato, non rivelano tutte le condizioni necessarie per rigenerarlo.

Per ricreare un pretraining su 34 trilioni di token servirebbero almeno i dati esatti, oppure una specifica riproducibile per generarli; le implementazioni complete di training e post-training; gli iperparametri; topologia del cluster; versioni di software e compilatori; configurazione dell’addestramento distribuito; operatori personalizzati; protocollo di valutazione; e una quantità sufficiente di hardware compatibile. I materiali pubblicati confermano pesi, inferenza di base e report; Huawei descrive gli altri componenti come in rilascio progressivo. 1221

La definizione più corretta, allo stato attuale, è quindi: un modello aperto e orientato ad Ascend, accompagnato da un percorso dichiarato verso una maggiore trasparenza dello stack. Non è ancora la prova che un’organizzazione esterna possa riprodurre oggi l’addestramento originale.

Le scelte architetturali dietro il contesto da 512K

openPangu-2.0-Pro abbina una capacità complessiva molto elevata a meccanismi pensati per contenere il costo della generazione e dell’elaborazione di contesti lunghi.

MoE: grande capacità, senza attivare tutto a ogni token

Nei modelli MoE, ogni token viene instradato verso una parte degli esperti. Nel caso di Pro, la model card indica circa 505 miliardi di parametri totali e circa 18 miliardi attivati per token. 21

Questo non rende il sistema leggero: archiviare, servire e far comunicare un modello da 505 miliardi di parametri richiede comunque infrastrutture importanti. Riduce però il calcolo sui parametri per il singolo token rispetto a un modello denso con pari dimensione complessiva.

DSA e SWA: contesto locale e collegamenti globali

Il modello conserva MLA e combina DSA con sliding-window attention (SWA), in un rapporto di livelli 1:2. Huawei descrive i livelli SWA come dedicati alla modellazione nella finestra locale, mentre quelli DSA catturerebbero il contesto globale in forma sparsa. L’obiettivo dichiarato è ridurre calcolo, memoria e accessi alla memoria durante l’inferenza a contesto lungo, preservando l’accuratezza. 21

È una risposta pratica al problema dei 512K token: l’attenzione completa su ogni token diventa rapidamente onerosa. L’attenzione locale tratta in modo più economico le informazioni vicine; i meccanismi sparsi puntano a mantenere l’accesso alle parti rilevanti e distanti del contesto.

Residui mHC, previsione multi-token e Muon

Huawei descrive anche una topologia residua mHC a quattro flussi, pensata per aumentare diversità delle rappresentazioni e capacità di generalizzazione. Il modulo di previsione multi-token a tre teste prevede token futuri aggiuntivi, con l’intento di accelerare l’inferenza. La scheda del modello identifica inoltre Muon come ottimizzatore, con l’obiettivo dichiarato di ottenere una convergenza più rapida. 21

Sono affermazioni architetturali e di ottimizzazione tratte dai materiali di Huawei, non una verifica indipendente di specifici guadagni di velocità in ogni distribuzione. Latenza e throughput dipendono in modo rilevante da configurazione degli acceleratori, precisione numerica, batch, lunghezza del contesto, traffico e software di serving.

Dove gli agenti a contesto lungo possono essere utili

Una finestra da 512K token può permettere a un agente di considerare, nella stessa sessione, molta più documentazione: manuali, atti normativi, registri di sistema, output precedenti degli strumenti e specifiche. Può ridurre il ricorso a suddivisioni aggressive dei documenti, ma non elimina la necessità di recupero delle fonti, gestione dei permessi, verifica e approvazione umana.

Gli impieghi potenzialmente più utili includono:

• Pubblica amministrazione: analisi assistita di norme, fascicoli, consultazioni pubbliche e documentazione tra enti, con controlli di accesso rigorosi e decisioni umane tracciabili.
• Finanza: esame di ricerche, bilanci e comunicazioni societarie, contratti e materiali di conformità, senza usare output non verificati per decisioni di trading, credito o vigilanza.
• Manifattura ed energia: sintesi di manuali degli impianti, allarmi, cronologie di manutenzione, documenti di processo e consegne di turno a supporto di indagini e pianificazione.
• Sanità: riassunto della letteratura e di cartelle cliniche longitudinali sotto governo clinico, non diagnosi o decisioni terapeutiche autonome.
• Ingegneria della guida autonoma: analisi offline di log di test, scenari, casi di sicurezza e documentazione tecnica; non sostituzione di un sistema di guida in tempo reale validato.

Nonostante l’attivazione sparsa, Pro resterà difficile da ospitare internamente per molte organizzazioni. Huawei ha pubblicato anche la variante più piccola openPangu-2.0-Flash, indicata con 92 miliardi di parametri totali e 6 miliardi attivi per token, che può rappresentare un’opzione più accessibile per test e deployment. 1520

Ingegneria del software: assistente utile, non manutentore autonomo

Huawei riporta un punteggio di 68,5 su SWE-bench Verified per la versione Thinking di openPangu-2.0-Pro. 24 È un risultato rilevante in un benchmark, ma non dimostra che il modello possa gestire in autonomia attività complesse di sviluppo software in produzione.

I repository reali dipendono da configurazione dell’ambiente, dipendenze, esecuzione dei test, revisione della sicurezza, decisioni architetturali, requisiti che evolvono e debugging prolungato. Il modello di adozione ragionevole è un agente di coding supervisionato: accesso limitato al repository, esecuzione in sandbox, test automatici, analisi statica, revisione del codice e procedure di rollback. Non merge autonomi.

Perché il rilascio graduale è una strategia di ecosistema

Il valore strategico non è soltanto nei pesi. Un modello di riferimento nativo per Ascend può spingere gli sviluppatori a creare, testare e ottimizzare carichi di lavoro su Ascend; questi carichi, a loro volta, aumentano la domanda di runtime, operatori, strumenti e servizi gestiti migliori. Huawei invita esplicitamente sviluppatori, partner aziendali e ricercatori a scaricare, usare e fornire feedback tramite la community Ascend Tribe e l’offerta Huawei Cloud MaaS. 12

La disponibilità di Flash e Pro a scale diverse amplia la platea di utenti potenziali. I componenti pianificati per training, post-training e operatori mirano invece agli strati software che stabiliscono se una piattaforma hardware sia davvero pratica per chi costruisce modelli. 1015

Per questo openPangu 2.0 va letto soprattutto come un tentativo di consolidare un ecosistema di sviluppo Ascend più Pangu. L’apertura è già significativa per deployment, ispezione e sperimentazione. La piena riproducibilità, invece, andrà valutata quando saranno disponibili ulteriori codice, configurazioni e dettagli legati ai dati, e quando gruppi indipendenti avranno verificato cosa si può effettivamente ricostruire.