openPangu-2.0-Pro ของ Huawei ไม่ได้เปิดสูตรฝึกโมเดลครบชุด—แต่กำลังปูทางสแตก AI บน Ascend

Huawei เปิดตัว openPangu-2.0-Pro ในแบบที่มีนัยสำคัญมากกว่าการปล่อยไฟล์น้ำหนักโมเดลเพียงอย่างเดียว แต่ยังไม่ควรสรุปว่าใครก็สามารถนำไปสร้างโมเดลเดิมขึ้นใหม่ได้ครบถ้วนทันที

ประเด็นสำคัญคือ Huawei ได้เปิดเส้นทางที่จับต้องได้สำหรับการตรวจสอบ ทดลอง และให้บริการโมเดลขนาดใหญ่บนแพลตฟอร์ม Ascend ของตนเอง ขณะที่การทำซ้ำกระบวนการฝึกระดับแนวหน้าเดิมยังต้องอาศัยองค์ประกอบหลายส่วนที่ไม่ได้มีพร้อมครบในครั้งเดียว

สเปกที่มักถูกกล่าวคลาดเคลื่อนคือ รุ่น Pro เป็นโมเดล Mixture-of-Experts (MoE) ที่มีพารามิเตอร์รวมราว 505 พันล้านพารามิเตอร์ แต่จะเปิดใช้พารามิเตอร์ประมาณ 18 พันล้านพารามิเตอร์ต่อ 1 โทเค็น ไม่ใช่ 180 พันล้าน รองรับบริบทยาวถึง 512K โทเค็น และใช้ข้อมูลฝึกราว 34 ล้านล้านโทเค็น ตามข้อมูลโมเดลการ์ด 21

Huawei เปิดอะไรออกมาแล้ว

เมื่อวันที่ 31 กรกฎาคม 2026 Huawei ประกาศเปิดน้ำหนักโมเดล โค้ดอนุมานพื้นฐาน และรายงานเทคนิคของ openPangu-2.0-Pro พร้อมระบุว่าคอมโพเนนต์อื่นในตระกูล openPangu 2.0 จะทยอยเผยแพร่ผ่านช่องทางโอเพนซอร์ส 12

สิ่งที่เปิดแต่ละชิ้นตอบโจทย์ต่างกัน

• น้ำหนักโมเดล ช่วยให้องค์กรทดสอบและให้บริการโมเดลที่ผ่านการฝึกแล้วได้
• โค้ดอนุมาน เป็นแนวทางการนำไปใช้งานที่ปรับให้เหมาะกับสภาพแวดล้อม Ascend
• รายงานเทคนิคและเอกสารโมเดล ช่วยอธิบายสถาปัตยกรรมและแนวทางออกแบบที่ Huawei รายงานไว้ 1221

โรดแมปที่ Huawei กล่าวถึงในงาน HDC 2026 ยังระบุแผนเปิดคอมโพเนนต์ 7 ส่วนเป็นลำดับ ซึ่งรวมถึงโค้ด pre-training, post-training และโอเปอเรเตอร์สำหรับการฝึก 210 หากส่วนเหล่านี้เปิดให้ใช้งานได้จริงและครบถ้วน ก็จะทำให้โครงการเข้าใกล้สแตกตั้งแต่ฝึกจนถึงอนุมานมากกว่าการปล่อยน้ำหนักโมเดลอย่างเดียว

เหตุใดจึงยังเรียกว่า “ฝึกซ้ำได้ทั้งหมด” ไม่ได้

โมเดลที่เปิดน้ำหนักไม่ได้หมายความว่ากระบวนการฝึกระดับเดิมทำซ้ำได้โดยอัตโนมัติ การดาวน์โหลด checkpoint ทำให้ทดสอบผลลัพธ์ของโมเดลที่ปล่อยออกมาได้ แต่ไม่ได้เปิดเงื่อนไขทุกอย่างที่จำเป็นต่อการสร้าง checkpoint เดียวกันขึ้นมาใหม่

การทำซ้ำการ pre-training ที่ใช้ข้อมูล 34 ล้านล้านโทเค็น อย่างน้อยต้องมีข้อมูลชุดเดิม หรือข้อกำหนดการสร้างข้อมูลที่ทำซ้ำได้ รวมถึงโค้ดฝึกและหลังฝึกฉบับสมบูรณ์ ไฮเปอร์พารามิเตอร์ โครงสร้างคลัสเตอร์ เวอร์ชันซอฟต์แวร์และคอมไพเลอร์ การตั้งค่าการฝึกแบบกระจาย โอเปอเรเตอร์เฉพาะ วิธีประเมินผล และฮาร์ดแวร์ที่เข้ากันได้ในปริมาณเพียงพอ

เอกสารที่มีอยู่ยืนยันการเปิดน้ำหนัก โค้ดอนุมานพื้นฐาน และรายงาน ขณะที่ Huawei ระบุว่าคอมโพเนนต์เพิ่มเติมจะทยอยมา 1221 ดังนั้น คำอธิบายที่เที่ยงตรงกว่าในตอนนี้คือ โมเดลเปิดที่ออกแบบให้ใช้ Ascend เป็นหลัก และมีแผนขยายความโปร่งใสของสแตกในระยะต่อไป ไม่ใช่หลักฐานว่าองค์กรภายนอกจะฝึกซ้ำงานต้นฉบับได้แล้ววันนี้

เบื้องหลังบริบท 512K: ออกแบบมาเพื่อลดต้นทุนตรงไหน

MoE: เพิ่มความจุโดยไม่คำนวณทุกพารามิเตอร์ทุกครั้ง

MoE จะส่งแต่ละโทเค็นไปยังผู้เชี่ยวชาญเพียงบางส่วน ในกรณีของ Pro โมเดลมีพารามิเตอร์รวมราว 505B แต่เปิดใช้ราว 18B ต่อโทเค็น 21

แนวทางนี้ไม่ได้ทำให้โมเดลขนาดเล็ก การเก็บ ให้บริการ และสื่อสารโมเดล 505B ยังคงต้องใช้โครงสร้างพื้นฐานขนาดใหญ่ แต่ช่วยลดปริมาณการคำนวณพารามิเตอร์ต่อโทเค็น เมื่อเทียบกับโมเดล dense ที่มีขนาดรวมเท่ากัน

DSA ผสาน SWA: แบ่งงานระหว่างบริบทใกล้และไกล

โมเดลคง MLA ไว้ และผสาน DSA กับ sliding-window attention หรือ SWA ในสัดส่วนชั้น 1:2 โดย SWA รับผิดชอบการสร้างแบบจำลองบริบทในหน้าต่างใกล้ ส่วน DSA ใช้ดึงบริบทส่วนรวมที่สำคัญแบบเบาบาง Huawei ระบุว่าแนวทางนี้มีเป้าหมายลดต้นทุนคำนวณ หน่วยความจำ และการเข้าถึงหน่วยความจำในการอนุมานบริบทยาว โดยยังรักษาความแม่นยำ 21

นี่เป็นการรับมือกับโจทย์หลักของบริบท 512K เพราะการทำ attention ครบทุกโทเค็นมีต้นทุนสูงมาก การดูข้อมูลใกล้ ๆ ด้วยหน้าต่างจำกัดช่วยประหยัดกว่า ขณะที่กลไกแบบเบาบางพยายามคงการเข้าถึงข้อมูลสำคัญที่อยู่ห่างออกไป

mHC สี่สตรีม, multi-token prediction และ Muon

Huawei ยังอธิบายว่าใช้โครงสร้าง residual แบบ mHC สี่สตรีม เพื่อเพิ่มความหลากหลายของตัวแทนข้อมูลและความสามารถในการทั่วไป รวมถึงโมดูลทำนายหลายโทเค็นแบบ 3 หัว เพื่อคาดการณ์โทเค็นอนาคตเพิ่มเติมและเร่งการอนุมาน ส่วนตัวเพิ่มประสิทธิภาพการฝึกคือ Muon ซึ่งบริษัทระบุว่าช่วยให้การลู่เข้าเร็วขึ้น 21

ทั้งหมดนี้เป็นคำกล่าวด้านสถาปัตยกรรมและประสิทธิภาพจากเอกสารของ Huawei ไม่ใช่หลักฐานอิสระว่าทุกการติดตั้งจะได้ความเร็วเท่ากัน ผลจริงขึ้นกับการตั้งค่า accelerator, precision, batching, ความยาวบริบท, รูปแบบทราฟฟิก และซอฟต์แวร์สำหรับให้บริการโมเดลอย่างมาก

งานเอเจนต์บริบทยาว: มีประโยชน์ตรงไหนบ้าง

หน้าต่าง 512K อาจช่วยให้เอเจนต์พิจารณาเอกสาร คู่มือ บันทึกเหตุการณ์ ผลลัพธ์จากเครื่องมือก่อนหน้า และข้อกำหนดจำนวนมากได้ในเซสชันเดียว จึงอาจลดการตัดเอกสารเป็นชิ้นเล็ก ๆ มากเกินไป แต่ไม่ได้ทำให้ระบบไม่ต้องใช้ retrieval, การตรวจสอบแหล่งที่มา, การควบคุมสิทธิ์ หรือการอนุมัติโดยมนุษย์

กรณีใช้งานที่อาจมีมูลค่าสูง ได้แก่

• ภาครัฐและงานบริหารสาธารณะ: ช่วยวิเคราะห์กฎระเบียบ เอกสารคดี ความเห็นสาธารณะ และเอกสารข้ามหน่วยงาน โดยต้องมีการควบคุมสิทธิ์และบันทึกการตัดสินใจที่ตรวจสอบได้
• การเงิน: ช่วยทบทวนบทวิเคราะห์ เอกสารยื่นงบ สัญญา และเอกสารกำกับดูแล แต่ไม่ควรนำผลลัพธ์ที่ยังไม่ตรวจสอบไปใช้ตัดสินใจด้านการซื้อขาย เครดิต หรือการกำกับดูแล
• การผลิตและพลังงาน: สังเคราะห์คู่มือเครื่องจักร ประวัติสัญญาณเตือน บันทึกซ่อมบำรุง เอกสารกระบวนการ และรายงานกะ เพื่อสนับสนุนการสืบหาปัญหาและวางแผน
• สุขภาพ: สรุปวรรณกรรมและข้อมูลระยะยาวของผู้ป่วยภายใต้ธรรมาภิบาลทางคลินิก ไม่ใช่ใช้วินิจฉัยหรือกำหนดการรักษาได้เอง
• วิศวกรรมยานยนต์อัตโนมัติ: วิเคราะห์บันทึกการทดสอบ คำอธิบายสถานการณ์ เอกสารความปลอดภัย และเอกสารวิศวกรรมแบบออฟไลน์ ไม่ใช่ทดแทนระบบขับขี่เรียลไทม์ที่ผ่านการตรวจสอบแล้ว

สำหรับองค์กรขนาดเล็ก Pro อาจยังโฮสต์เองได้ยาก แม้จะใช้ sparse activation ก็ตาม Huawei มีรุ่น openPangu-2.0-Flash ที่มีพารามิเตอร์รวม 92B และเปิดใช้ 6B ต่อโทเค็น ซึ่งอาจเข้าถึงได้ง่ายกว่าสำหรับการประเมินและใช้งานจริง 1520

งานวิศวกรรมซอฟต์แวร์: ผู้ช่วยที่มีประโยชน์ ไม่ใช่ผู้ดูแลระบบอัตโนมัติ

Huawei รายงานคะแนน 68.5 บน SWE-bench Verified สำหรับ openPangu-2.0-Pro เวอร์ชัน Thinking 24 ถือเป็นผลที่น่าสนใจ แต่ยังไม่ใช่ข้อพิสูจน์ว่าโมเดลสามารถรับผิดชอบงานซอฟต์แวร์ระดับ production ที่ซับซ้อนได้อย่างเชื่อถือได้

คลังโค้ดจริงมีเรื่องการตั้งค่าสภาพแวดล้อม dependency การรันทดสอบ การทบทวนความปลอดภัย การตัดสินใจเชิงสถาปัตยกรรม ความต้องการผลิตภัณฑ์ที่เปลี่ยนไป และการดีบักหลายขั้นตอนต่อเนื่อง รูปแบบใช้งานที่รอบคอบจึงควรเป็น coding agent ภายใต้การกำกับดูแล มีสิทธิ์เข้าถึงเฉพาะขอบเขต รันใน sandbox มีชุดทดสอบ การวิเคราะห์โค้ดแบบสถิต การรีวิวโดยคน และแผนย้อนกลับ ไม่ใช่ให้ merge โค้ดเองอัตโนมัติ

เหตุใดการทยอยเปิดจึงเป็นเกมระบบนิเวศ

คุณค่าทางยุทธศาสตร์ไม่ได้อยู่ที่น้ำหนักโมเดลอย่างเดียว โมเดลอ้างอิงที่เน้น Ascend สามารถดึงให้นักพัฒนาสร้าง ทดสอบ และปรับแต่งเวิร์กโหลดบน Ascend มากขึ้น เวิร์กโหลดเหล่านั้นจะสร้างแรงจูงใจต่อการพัฒนา runtime, operator, เครื่องมือ และบริการแบบจัดการให้ดีขึ้น ซึ่งช่วยลดความฝืดในการย้ายและปรับใช้สำหรับผู้ใช้รายถัดไป

Huawei เชิญนักพัฒนา พันธมิตรองค์กร และนักวิจัยใช้งานและส่งข้อเสนอแนะผ่านชุมชน Ascend Tribe และบริการ Huawei Cloud MaaS โดยตรง 12 การมีทั้ง Flash และ Pro เปิดทางให้ผู้ใช้ที่มีทรัพยากรต่างกันเข้าร่วม ขณะที่โค้ดฝึก โค้ดหลังฝึก และโอเปอเรเตอร์ที่อยู่ในแผนเปิดต่อไป มุ่งไปยังชั้นซอฟต์แวร์ที่มีผลต่อความใช้งานได้จริงของแพลตฟอร์มฮาร์ดแวร์ 1015

สรุปคือ openPangu 2.0 ควรถูกมองว่าเป็นความพยายามเสริมระบบนิเวศ Ascend-plus-Pangu การเปิดครั้งนี้มีความหมายแล้วสำหรับการนำไปใช้ ตรวจสอบ และทดลอง แต่คำว่า “ทำซ้ำได้ครบถ้วน” ควรถูกประเมินจากสิ่งที่ยังจะเปิดเพิ่ม—ทั้งโค้ด คอนฟิก และรายละเอียดเกี่ยวกับข้อมูล—รวมถึงผลทดสอบของกลุ่มอิสระว่าอะไรสร้างขึ้นใหม่ได้จริง