Huawei відкрила openPangu-2.0-Pro: що це означає для ШІ-стеку на Ascend

Huawei відкрила openPangu-2.0-Pro не просто як набір ваг моделі. Реліз дає змогу досліджувати та розгортати велику мовну модель у середовищі Huawei Ascend, однак називати її початкове навчання «повністю відтворюваним» поки передчасно.

Ключове уточнення щодо характеристик: openPangu-2.0-Pro — це модель типу mixture of experts (MoE) із приблизно 505 млрд параметрів загалом, з яких для кожного токена активується близько 18 млрд. Вона підтримує контекст до 512K токенів і, за карткою моделі, навчалася приблизно на 34 трлн токенів. 21

Що саме відкрила Huawei

31 липня 2026 року Huawei оголосила про відкритий випуск ваг openPangu-2.0-Pro, базового коду інференсу та технічного звіту. Компанія також повідомила, що пов’язані компоненти openPangu 2.0 поступово з’являтимуться у її каналах відкритого коду. 12

Практична користь цих матеріалів різна:

• ваги дозволяють тестувати й обслуговувати вже навчену модель;
• код інференсу дає шлях до запуску, орієнтований на середовище Ascend;
• технічний звіт і документація розкривають заявлені архітектурні рішення та принципи роботи системи. 1221

На HDC 2026 Huawei також анонсувала поетапне відкриття семи компонентів, серед яких код попереднього навчання, код післянавчання та оператори для тренування. 210 Якщо ці компоненти будуть доступні у придатному для використання вигляді, проєкт стане значно ближчим до повного циклу «навчання — донавчання — інференс», ніж типові релізи лише з вагами.

Чому це ще не повна відтворюваність

Відкриті ваги не дорівнюють можливості повторити початкове навчання моделі у сторонній лабораторії. Вони дають змогу перевірити конкретний чекпойнт, але не розкривають усі умови, за яких він був отриманий.

Для відтворення переднавчання на 34 трлн токенів потрібні щонайменше точні дані або відтворювана специфікація їхньої підготовки, повна реалізація навчання й післянавчання, гіперпараметри, конфігурація кластера й розподіленого навчання, версії компілятора та ПЗ, спеціалізовані оператори, методика оцінювання і достатній парк сумісних прискорювачів. Наявні матеріали підтверджують випуск ваг, базового коду інференсу та звіту, тоді як інші частини Huawei описує як такі, що виходять поступово. 1221

Тому коректніше говорити так: це Ascend-орієнтований відкритий реліз із заявленим шляхом до ширшої прозорості стеку. Він ще не доводить, що незалежна організація вже сьогодні здатна повторити оригінальний тренувальний запуск.

Як модель працює з контекстом у 512K токенів

MoE: велика місткість без активації всіх параметрів

У MoE-моделі кожен токен спрямовується лише до частини експертних параметрів. Для Pro заявлено близько 505 млрд параметрів загалом і близько 18 млрд активних параметрів на токен. 21

Це не робить модель «легкою»: зберігання, обмін даними та обслуговування моделі такого масштабу все одно потребують серйозної інфраструктури. Проте обсяг обчислень параметрів на один токен нижчий, ніж у щільної моделі зі співставною загальною кількістю параметрів.

DSA і SWA: локальний та глобальний контекст

Модель зберігає MLA та поєднує DSA зі sliding-window attention (SWA) у співвідношенні шарів 1:2. За описом Huawei, шари SWA працюють із локальним вікном, а DSA охоплює розріджений глобальний контекст. Заявлена мета — знизити витрати обчислень, пам’яті та доступу до пам’яті під час інференсу на довгих послідовностях без втрати точності. 21

Це відповідь на базову проблему 512K-контексту: повна увага між усіма токенами швидко стає надто дорогою. Локальна увага дешевше обробляє близький контекст, а розріджений глобальний механізм має зберігати доступ до релевантної далекої інформації.

Чотирипотокова топологія, MTP і Muon

Huawei також описує чотирипотокову залишкову топологію mHC, покликану підвищити різноманітність представлень і здатність до узагальнення. Модуль multi-token prediction із трьома головами додатково передбачає майбутні токени, що має прискорювати інференс. Для навчання використано оптимізатор Muon, заявлена мета якого — швидша збіжність. 21

Це заяви Huawei щодо архітектури й оптимізації, а не незалежне підтвердження однакового прискорення в кожному сценарії. Реальні затримки та пропускна здатність залежать від конфігурації прискорювачів, точності обчислень, батчингу, довжини контексту, характеру запитів і серверного ПЗ.

Де можуть стати в пригоді агенти з довгим контекстом

Вікно у 512K токенів потенційно дозволяє агенту одночасно працювати з великими масивами інструкцій, журналів подій, технічної документації, попередніх результатів виклику інструментів і специфікацій. Це може зменшити потребу в агресивному дробленні документів, але не усуває потреби в пошуку, перевірці джерел, контролі доступу та схваленні людиною.

Перспективні сценарії:

• державне управління: аналіз нормативних актів, матеріалів справ, звернень громадян і документів різних відомств — за умови суворого контролю доступу та аудиту рішень;
• фінанси: опрацювання досліджень, звітності, договорів і комплаєнс-матеріалів, без перенесення неперевірених відповідей моделі у торгові, кредитні чи регуляторні рішення;
• виробництво й енергетика: зведення в одну картину посібників до обладнання, історії аварійних сигналів, записів про техобслуговування та змінних звітів;
• медицина: узагальнення наукової літератури й довгих медичних записів у межах клінічного нагляду, а не автономна діагностика чи призначення лікування;
• інженерія автономного транспорту: офлайн-аналіз тестових логів, описів сценаріїв, матеріалів із безпеки та технічних документів, але не заміна перевіреної системи керування в реальному часі.

Для багатьох невеликих організацій самостійний хостинг Pro лишатиметься складним навіть із розрідженою активацією. Huawei також випустила менший варіант openPangu-2.0-Flash із 92 млрд загальних і 6 млрд активних параметрів на токен; він може бути практичнішим для оцінювання та розгортання. 1520

Помічник для розробника, а не автономний інженер

Huawei повідомляє про результат 68,5 у SWE-bench Verified для Thinking-версії openPangu-2.0-Pro. 24 Це помітний показник на бенчмарку, але він не означає, що моделі можна безпечно доручити складну підтримку промислового ПЗ.

Реальні репозиторії потребують налаштування середовища, роботи із залежностями, запуску тестів, перевірки безпеки, архітектурних рішень і тривалого налагодження в умовах змінних вимог. Раціональна схема — агент із доступом лише до потрібного репозиторію, виконанням у пісочниці, автоматичними тестами, статичним аналізом, код-рев’ю та механізмом відкату, а не автоматичне злиття змін у головну гілку.

Чому поетапний реліз — це ставка на екосистему

Стратегічна цінність не зводиться до ваг моделі. Еталонна модель, оптимізована під Ascend, може спонукати розробників тестувати й налаштовувати застосунки для цієї платформи. Своєю чергою, такі навантаження створюють попит на кращі середовища виконання, оператори, інструменти та керовані сервіси.

Huawei прямо запрошує розробників, корпоративних партнерів і дослідників завантажувати модель, тестувати її та надавати зворотний зв’язок через спільноту Ascend Tribe і сервіс Huawei Cloud MaaS. 12 Випуск Flash і Pro для різних масштабів розширює коло потенційних користувачів, а заплановані компоненти навчання, післянавчання й оператори націлені на ті шари ПЗ, від яких залежить практичність апаратної платформи для творців моделей. 1015

Отже, openPangu 2.0 варто сприймати як спробу посилити екосистему розробки Ascend плюс Pangu. Її відкритість уже важлива для розгортання, вивчення й експериментів. Але про повну відтворюваність можна буде судити лише після появи решти коду, конфігурацій і відомостей про дані — та після незалежних спроб відтворити суттєві частини цього стеку.