openPangu-2.0-Pro, Ascend tabanlı yapay zekâ yığını için ne ifade ediyor?

Huawei’nin openPangu-2.0-Pro yayını, yalnızca indirilebilir bir model kontrol noktası sunmaktan daha önemli. Yine de bunun ne anlama geldiğini doğru tanımlamak gerekiyor: Yayın, büyük bir modeli Huawei’nin Ascend hızlandırıcı platformunda inceleme ve çalıştırma yolunu açıyor; modelin ilk, sınır ölçekli eğitim koşusunu bugün herkesin baştan kurabileceği eksiksiz bir tarif sunmuyor.

Temel sayılarda da sık görülen bir hata var. Pro, yaklaşık 505 milyar toplam parametreli bir uzman karışımı (MoE) modeli; token başına etkinleşen parametre sayısı ise yaklaşık 18 milyar. Model, 512 bin tokenlık bağlam penceresini destekliyor ve model kartına göre yaklaşık 34 trilyon token ile eğitildi. 21

Huawei ne yayımladı?

Huawei, 31 Temmuz 2026’da openPangu-2.0-Pro’nun model ağırlıklarını, temel çıkarım kodunu ve teknik raporunu açık olarak yayımladığını duyurdu. Şirket, openPangu 2.0’a ilişkin diğer bileşenlerin de açık kaynak kanallarında aşamalı biçimde kullanıma sunulduğunu belirtiyor. 12

Bu parçaların her biri farklı bir ihtiyaca karşılık geliyor:

• Ağırlıklar, eğitilmiş modeli değerlendirmeyi ve sunmayı mümkün kılar.
• Çıkarım kodu, hedeflenen Ascend ortamına uyarlanmış bir çalıştırma yolu sağlar.
• Teknik rapor ve model dokümantasyonu, mimariyi ve bildirilen tasarım tercihlerini anlamaya yardımcı olur. 1221

Huawei’nin HDC 2026 yol haritasında, ön eğitim kodu, eğitim sonrası kod ve eğitim operatörleri dahil yedi bileşenin kademeli olarak açılması da yer alıyordu. 210 Bu katmanlar kullanılabilir biçimde yayımlanırsa, proje yalnızca ağırlık paylaşan yayınlara kıyasla eğitimden çıkarıma daha bütüncül bir yazılım yığınına yaklaşır.

Neden “tam yeniden üretilebilir” demek için erken?

Açık ağırlıklı bir model, eğitim ölçeğinde yeniden üretilebilir olmak zorunda değildir. İndirilebilir ağırlıklar yayımlanan kontrol noktasının test edilmesini sağlar; fakat aynı ağırlıkları yeniden elde etmek için gereken bütün koşulları açıklamaz.

34 trilyon tokenlık bir ön eğitim çalışmasını tekrar kurmak için en azından veri kümesine ya da yeniden üretilebilir bir veri hazırlama tanımına, eksiksiz eğitim ve eğitim sonrası uygulamalara, hiperparametrelere, küme topolojisine, yazılım ve derleyici sürümlerine, dağıtık eğitim ayarlarına, özel operatörlere, değerlendirme düzenine ve yeterli uyumlu donanıma ihtiyaç vardır. Yayımlanan materyaller ağırlıkları, temel çıkarım kodunu ve raporu doğruluyor; ek bileşenlerin ise aşamalı olarak geleceği belirtiliyor. 1221

Bu yüzden bugünkü en isabetli tanım şu: Ascend öncelikli, daha geniş yığın şeffaflığı için açıklanmış bir yol haritasına sahip açık model yayını. Bu, dışarıdan bir kurumun ilk eğitim koşusunu bağımsız biçimde bugün yeniden üretebildiğinin kanıtı değildir.

512K bağlam penceresinin arkasındaki tasarım

openPangu-2.0-Pro, çok yüksek toplam parametre sayısını; üretim ve uzun bağlam işlemenin maliyetini sınırlamayı amaçlayan mekanizmalarla birleştiriyor.

MoE: Her parametreyi her token için çalıştırmadan kapasite

MoE modellerinde her token, tüm uzman parametreler yerine bunların bir alt kümesine yönlendirilir. Pro’nun model kartında yaklaşık 505 milyar toplam, token başına yaklaşık 18 milyar etkin parametre belirtiliyor. 21

Bu, sistemi hafif yapmaz: 505 milyar parametreli bir modeli depolamak, sunmak ve düğümler arasında iletişimini sağlamak hâlâ ciddi altyapı gerektirir. Ancak eşdeğer toplam büyüklükte yoğun (dense) bir modele göre, tek token için yapılan parametre hesabını azaltır.

Yerel ve küresel bağlam için DSA + SWA

Model, verimli çıkarım için MLA’yı koruyor; DSA ile kayan pencere dikkatini (SWA) 1:2 katman oranında bir araya getiriyor. Huawei’ye göre SWA katmanları yerel pencere modellemesini, DSA katmanları ise seyrek küresel bağlamı üstleniyor. Amaç, doğruluğu korurken uzun bağlamlı çıkarımın hesaplama, bellek ve bellek erişim maliyetlerini azaltmak. 21

512K bağlamda asıl sorun da bu: Her tokenın diğer tüm tokenlara tam dikkat uygulaması çok hızlı biçimde maliyetlenir. Yerel dikkat yakındaki bilgiyi daha düşük maliyetle işlerken, seyrek küresel mekanizmalar uzak ama ilgili içeriğe erişimi korumayı hedefler.

Dört akışlı artık topolojisi, çoklu token tahmini ve Muon

Huawei ayrıca temsil çeşitliliğini ve genellemeyi artırmayı hedefleyen dört akışlı mHC artık topolojisini tanımlıyor. Üç başlı çoklu token tahmin modülü, ek gelecek tokenları tahmin ederek çıkarımı hızlandırmayı amaçlıyor. Model kartında eğitimde daha hızlı yakınsama hedefiyle Muon iyileştiricisinin kullanıldığı da belirtiliyor. 21

Bunlar Huawei’nin yayımladığı materyallerdeki mimari ve optimizasyon iddialarıdır; her dağıtımda aynı hızlanmanın bağımsız olarak kanıtlandığı anlamına gelmez. Gecikme ve üretim hızı; hızlandırıcı düzeni, hassasiyet, paketleme, bağlam uzunluğu, trafik örüntüsü ve sunum yazılımına önemli ölçüde bağlıdır.

Uzun bağlamlı ajanlar nerede değer yaratabilir?

512K’lık bir pencere, kılavuzlar, mevzuat metinleri, günlükler, önceki araç çıktıları ve teknik şartnameler gibi daha fazla kaynak malzemesinin tek bir ajan oturumunda ele alınmasını sağlayabilir. Bu, aşırı parçalara bölme ihtiyacını azaltabilir; fakat bilgi getirme, yetkilendirme, kaynak doğrulaması ve insan onayı gereksinimlerini ortadan kaldırmaz.

Öne çıkan olası kullanım alanları şunlar:

• Kamu yönetimi: Mevzuat, dosya malzemeleri, kamu görüşleri ve kurumlar arası belgelerin analizine destek; sıkı erişim denetimleri ve denetlenebilir insan kararlarıyla.
• Finans: Araştırma notları, bildirimler, sözleşmeler ve uyum belgelerinin incelenmesi; doğrulanmamış model çıktılarının alım-satım, kredi ya da düzenleyici kararlara sokulmaması koşuluyla.
• Üretim ve enerji: Ekipman kılavuzları, alarm geçmişleri, bakım kayıtları, süreç belgeleri ve vardiya raporlarının bir araya getirilerek inceleme ve planlamaya destek olması.
• Sağlık: Klinik yönetişim altında literatür ve uzun dönemli kayıt özetleme; otonom tanı veya tedavi kararı yerine destekleyici kullanım.
• Otonom sürüş mühendisliği: Test günlükleri, senaryo açıklamaları, güvenlik dosyaları ve teknik belgelerin çevrimdışı analizi; doğrulanmış gerçek zamanlı sürüş sisteminin yerine geçecek bir kullanım değil.

Birçok küçük kuruluş için Pro, seyrek etkinleşmesine rağmen kendi altyapısında çalıştırılması zor bir seçenek olmaya devam edecek. Huawei’nin yayımladığı daha küçük openPangu-2.0-Flash sürümü ise 92 milyar toplam ve token başına 6 milyar etkin parametreyle listeleniyor; değerlendirme ve dağıtım açısından daha erişilebilir olabilir. 1520

Yazılım mühendisliğinde: Yardımcı araç, otonom bakımcı değil

Huawei’nin raporladığı değerlendirme sonuçlarına göre openPangu-2.0-Pro’nun Thinking sürümü, SWE-bench Verified testinde 68,5 puan aldı. 24 Bu kayda değer bir sonuç olsa da modelin karmaşık üretim yazılımı işlerini güvenilir biçimde tek başına üstlenebileceği anlamına gelmez.

Gerçek yazılım depoları ortam kurulumuna, bağımlılıklara, test çalıştırmaya, güvenlik incelemesine, mimari kararlara, değişen ürün gereksinimlerine ve uzun soluklu hata ayıklamaya dayanır. Daha makul yaklaşım; depo kapsamıyla sınırlı erişim, yalıtılmış çalıştırma ortamı, otomatik testler, statik analiz, kod incelemesi ve geri alma prosedürleri olan denetimli bir kodlama ajanıdır. Otonom birleştirme değildir.

Aşamalı yayın neden bir ekosistem stratejisi?

Stratejik değer yalnızca model ağırlıklarında değil. Ascend’e özgü bir referans model, geliştiricileri iş yüklerini Ascend üzerinde geliştirmeye, test etmeye ve iyileştirmeye yöneltebilir. Bu iş yükleri de daha iyi çalışma zamanları, operatörler, araçlar ve yönetilen hizmetler için talep oluşturur. Huawei; geliştiricileri, kurumsal ortakları ve araştırmacıları indirme, kullanım ve geri bildirim için Ascend Tribe topluluğuna ve Huawei Cloud MaaS hizmetine yönlendiriyor. 12

Flash ve Pro’nun farklı ölçeklerde yayımlanması potansiyel kullanıcı tabanını genişletirken; planlanan eğitim, eğitim sonrası ve operatör bileşenleri, bir donanım platformunun model geliştiricileri açısından pratik olup olmadığını belirleyen yazılım katmanlarını hedefliyor. 1015

Dolayısıyla openPangu 2.0’ı, bir model ağırlığı paylaşımından çok Ascend artı Pangu geliştirme ekosistemini güçlendirme girişimi olarak görmek daha doğru. Açıklık, dağıtım, inceleme ve deney açısından şimdiden anlamlı. Tam yeniden üretilebilirlik iddiası ise kalan kodlar, yapılandırmalar ve veriye ilişkin ayrıntılar yayımlandıkça ve bağımsız gruplar gerçekten neyin yeniden kurulabildiğini sınadıkça değerlendirilmeli.