AnswersPublished14 sources
Huawei, openPangu-2.0 için eğitim ve RL kodunu açık kaynak yaptı
28 Eylül 2026’da yayımlanan openPangu 2.0 Training ön eğitim ve SFT’yi, openPangu 2.0 RL ise eğitim sonrası pekiştirmeli öğrenmeyi hedefliyor. Önceki Pro ve Flash paylaşımları ağırlıklar ve çıkarım kodu sunarken, yeni projeler model eğitimi ve uyarlama aşamalarına odaklanıyor.
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- 28 Eylül 2026’da yayımlanan openPangu 2.0 Training ön eğitim ve SFT’yi, openPangu 2.0 RL ise eğitim sonrası pekiştirmeli öğrenmeyi hedefliyor.
- Önceki Pro ve Flash paylaşımları ağırlıklar ve çıkarım kodu sunarken, yeni projeler model eğitimi ve uyarlama aşamalarına odaklanıyor.
- Model kartlarına göre Pro 505 milyar, Flash 92 milyar toplam parametreye sahip; her iki modelin bağlam penceresi 512 bin token ve bildirilen ön eğitim bütçesi yaklaşık 34 trilyon token.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Huawei open-source for openPangu-2.0 on September 28, 2026, and how does the new Ascend-native pretraining, supervised fine-tuning. Article summary: On September 28, 2026, Huawei open-sourced **Ascend-native code for openPangu-2.0 pretraining, supervised fine-tuning (SFT), and post-training reinforcement learning (RL)**. That is a training-stack release: the earlier . Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
Huawei, 28 Eylül 2026’da openPangu-2.0 ailesi için ön eğitim, denetimli ince ayar (SFT) ve eğitim sonrası pekiştirmeli öğrenme (RL) kodlarını açık kaynak olarak yayımladı. Duyurunun öne çıkan yanı, geliştiricilerin yalnızca eğitilmiş modelleri çalıştırmakla kalmayıp eğitim ve uyarlama süreçlerine yönelik kodlara da erişebilmesi. Yeni projeler Huawei’nin Ascend eğitim ekosistemi için tasarlandı. 1
Yeni paylaşım ne içeriyor?
openPangu-2.0-Training projesi ön eğitim ile SFT’yi destekliyor. openPangu-2.0-RL ise model eğitiminden sonraki pekiştirmeli öğrenme aşamasına odaklanıyor. 1
Bu, yeni model ağırlıklarının yayımlanmasından ziyade eğitim araçlarının açılması anlamına geliyor. Daha önce duyurulan Pro ve Flash paylaşımları, modelleri çalıştırmak için ağırlıklar ve çıkarım kaynakları sunmuştu; yeni kodlar ise modelin eğitilmesi ve uyarlanması aşamalarına kapı açıyor. Duyuruda projelerin genel kapsamı belirtiliyor ancak özgün eğitim çalışmalarını tekrarlamak için gereken donanım, veri veya tüm yapılandırma ayrıntıları açıklanmıyor. 1
2
27
Pro ve Flash modellerinin bildirilen özellikleri
Model kartlarında her iki model de uzman karışımı (MoE) mimarisine sahip olarak tanımlanıyor. Açıklanan değerler şöyle: 19
27
| Model | Toplam parametre | Token başına etkin parametre | Bağlam penceresi | Bildirilen ön eğitim token’ı |
|---|---|---|---|---|
| openPangu-2.0-Pro | Yaklaşık 505 milyar | Yaklaşık 18 milyar | 512 bin token | Yaklaşık 34 trilyon |
| openPangu-2.0-Flash | Yaklaşık 92 milyar | Yaklaşık 6 milyar | 512 bin token | Yaklaşık 34 trilyon |
Ön eğitim miktarı her model için ayrı ayrı yaklaşık 34 trilyon token olarak bildiriliyor; bu rakam iki modelin toplamı değil. 19
27
Model kartlarında anlatılan eğitim sonrası yöntemler
Pro ve Flash model kartları, “yavaş” ve “hızlı” düşünme biçimlerini bir araya getirmeyi amaçlayan bir SFT aşamasından söz ediyor. Bunun ardından farklı uzmanlık alanlarına yönelik birden fazla RL aşaması ve çevrimiçi politika damıtımı (OPD) tarif ediliyor. Bunlar modellerin model kartlarında açıklanan eğitim sonrası yöntemleri; 28 Eylül’de yayımlanan kod ise bu süreçlerin eğitim araçlarına ilişkin ayrı bir duyuru. 19
27
1
Mimari özellikler
Model kartlarına göre mimaride çok başlı gizil dikkat (MLA) ile DSA ve kayan pencere dikkati (SWA) katmanları 1:2 oranında bir arada kullanılıyor. SWA yerel bağlamı işlerken seyrek DSA katmanları daha uzun erimli bilgiyi topluyor. 19
27
Kartlarda ayrıca dört akışlı mHC mimarisi, üç başlıklı çoklu token tahmin modülü (MTP) ve Muon optimizasyon algoritması listeleniyor. Bunlar modellerin açıklanan tasarım özellikleri; Eylül ayındaki kod paylaşımıyla ilk kez duyurulan yeni özellikler olarak sunulmuyor. 19
27
Ascend kullanan geliştiriciler için ne değişiyor?
Önceden yayımlanmış ağırlıklar ve çıkarım kodu, geliştiricilerin Pro veya Flash modellerini çalıştırmasına imkân veriyordu. Yeni projelerle Ascend ekosisteminde ön eğitim, SFT ve RL sonrası eğitim aşamalarını incelemek ve bu süreçlerde çalışmak için kod da erişilebilir hale geliyor. Ancak mevcut kaynaklar desteklenen tüm iş akışlarını veya bunların donanım gereksinimlerini ayrıntılandırmıyor. 1
2
27
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Huawei, openPangu-2.0 için eğitim ve RL kodunu açık kaynak yaptı"?
28 Eylül 2026’da yayımlanan openPangu 2.0 Training ön eğitim ve SFT’yi, openPangu 2.0 RL ise eğitim sonrası pekiştirmeli öğrenmeyi hedefliyor.
What are the key points to validate first?
28 Eylül 2026’da yayımlanan openPangu 2.0 Training ön eğitim ve SFT’yi, openPangu 2.0 RL ise eğitim sonrası pekiştirmeli öğrenmeyi hedefliyor. Önceki Pro ve Flash paylaşımları ağırlıklar ve çıkarım kodu sunarken, yeni projeler model eğitimi ve uyarlama aşamalarına odaklanıyor.
What should I do next in practice?
Model kartlarına göre Pro 505 milyar, Flash 92 milyar toplam parametreye sahip; her iki modelin bağlam penceresi 512 bin token ve bildirilen ön eğitim bütçesi yaklaşık 34 trilyon token.