openPangu-2.0-Pro 開源後，昇騰原生 AI 堆疊究竟能重現什麼？

華為釋出 openPangu-2.0-Pro，其意義不只是把一個大型模型檢查點放上網路；但也不能因此直接稱為「完整可重現」的訓練配方。

較精確的說法是：它讓開發者能更實際地檢視、評估並在華為昇騰（Ascend）平台上部署一個大型模型，同時揭示朝更完整訓練到推論堆疊開放的路徑；不過，外部團隊目前仍無法據此獨立重做原始的前沿規模訓練。

先釐清一項常見數字誤讀：Pro 是混合專家模型（MoE），總參數約 5,050 億（505B），但每個 token 約啟用 180 億（18B） 參數。模型支援 512K token 上下文，訓練資料總量約 34T token。21

已公開的內容，實際能做什麼？

華為於 2026 年 7 月 31 日宣布，openPangu-2.0-Pro 的模型權重、基礎推論程式碼與技術報告正式開源，其他 openPangu 2.0 相關元件則會陸續上線。12

這三項內容各有不同價值：

• 模型權重：可用來測試模型能力與提供推論服務。
• 基礎推論程式碼：提供面向昇騰環境的實作起點。
• 技術報告與模型文件：讓使用者理解架構及官方揭露的設計取捨。1221

華為在 HDC 2026 所提出的規畫，則包括分階段開放 7 項元件，當中涵蓋預訓練程式碼、後訓練程式碼與訓練算子。210 若這些元件都以可用形式完整釋出，openPangu 2.0 將比僅釋出權重的模型，更接近從訓練到推論的全流程工具鏈。

為什麼現在還不能說「完整可重現」？

開放權重不等於可在原始規模上重現訓練。下載權重可以證明外界能測試已釋出的檢查點，卻不代表外部組織已擁有重新產生相同模型的一切條件。

若要再現一次 34T token 的預訓練，至少還需要：精確的資料集，或可重現的資料生成規格；完整的訓練與後訓練實作；超參數；叢集拓撲；軟體、編譯器版本；分散式訓練配置；自訂算子；評測設定，以及足夠的相容硬體。現有公開資訊確認了權重、基礎推論程式碼和報告；其餘元件則仍由華為描述為逐步釋出。1221

因此，目前最公允的定位是：一個以昇騰為優先目標的開放模型釋出，並宣示將朝更透明的完整堆疊推進。 這不等於外部團隊今天已能獨立複製原始訓練工作。

512K 長上下文背後的效率設計

openPangu-2.0-Pro 嘗試在極大的總參數規模下，控制生成與長上下文處理的成本。

MoE：不是所有參數都要參與每次運算

MoE 會把每個 token 路由到部分專家參數。Pro 約有 505B 總參數，但單一 token 約啟用 18B 參數。21

這不表示模型變得容易部署：儲存、服務與跨裝置通訊 505B 規模模型，仍需要可觀的基礎設施。但相較於同等總規模的稠密模型，單一 token 所需的參數計算量可望降低。

DSA＋SWA：兼顧近處細節與遠距資訊

模型保留 MLA，並以 1:2 的層比例結合 DSA 與滑動視窗注意力（SWA）。依華為說明，SWA 層用於局部視窗建模，DSA 層則負責稀疏的全域上下文聚合，目標是在維持準確度的前提下，降低長序列推論的計算量、記憶體占用與記憶體存取成本。21

這是針對 512K 上下文的一項務實設計：若每個 token 都與所有 token 做完整注意力計算，成本會快速攀升；局部注意力可較經濟地處理鄰近內容，稀疏全域機制則力求保留存取遠距關鍵資訊的能力。

四支流 mHC、三頭 MTP 與 Muon

華為也提到，Pro 採用四支流 mHC 殘差拓撲，以提升表徵多樣性與泛化能力；三頭多 token 預測（MTP）模組會額外預測後續 token，設計目標是提升推論速度；訓練則使用 Muon 最佳化器，以加速收斂。21

這些都是華為在公開文件中提出的架構與最佳化主張，不能直接視為所有部署情境都必然取得特定加速幅度的獨立證明。實際吞吐量與延遲，仍會受到加速器配置、精度、批次大小、上下文長度、流量型態及服務軟體影響。

長上下文代理可用在哪裡？

512K 上下文可讓代理系統在單一工作階段中納入更多材料，例如操作手冊、政策文件、紀錄檔、既有工具輸出及規格文件。這能減少過度切分文件的需求，但無法取代檢索、權限管理、來源查核與人工核准。

較有價值的應用方向包括：

• 政府與公共行政：輔助整理法規、案件資料、公共意見與跨機關文件，但必須有嚴格存取控制與可稽核的人工決策。
• 金融業：協助檢視研究報告、申報資料、合約與法遵文件；未經驗證的模型輸出不應直接用於交易、授信或監理判定。
• 製造與能源：彙整設備手冊、警報紀錄、維護歷史、製程文件與交班報告，協助調查與規畫。
• 醫療：在臨床治理下進行文獻或長期病歷摘要，而非自主做出診斷或治療決策。
• 自動駕駛工程：用於離線分析測試紀錄、場景描述、安全論證與技術文件，而不是取代經驗證的即時駕駛系統。

不過，即使採用稀疏啟用，Pro 對多數中小型組織而言仍可能難以自行託管。華為也推出 openPangu-2.0-Flash：總參數 92B、每個 token 啟用 6B 參數，可能是評估與部署時更容易切入的選項。1520

軟體工程能力：適合作為助手，不是自主維護者

華為公布的評測結果顯示，openPangu-2.0-Pro Thinking 版本在 SWE-bench Verified 的分數為 68.5。24 這是值得注意的基準成績，但不能據此推論模型能可靠地獨力承擔複雜的正式環境軟體工作。

真實程式庫涉及環境設定、相依性、測試執行、安全檢視、架構判斷、持續變動的產品需求，以及跨多步驟的除錯。較合理的部署方式，是讓受監督的程式代理只取得儲存庫範圍內的權限，並搭配沙箱執行、自動化測試、靜態分析、程式碼審查與回滾機制，而非允許模型自行合併程式碼。

分階段開源，為何是生態策略？

這次釋出的戰略價值不只在模型權重。一個昇騰原生的參考模型，可促使開發者在昇騰上建置、測試與最佳化工作負載；這些工作負載再帶動執行環境、算子、工具鏈與託管服務的改善。華為也明確引導開發者、企業夥伴與研究人員，透過 Ascend Tribe 社群及華為雲 MaaS（Model as a Service，模型即服務）取得、使用並回饋模型。12

Flash 與 Pro 同時覆蓋不同規模的使用者，而預訓練、後訓練及算子等後續元件，則瞄準決定硬體平台是否真正適合模型開發者的軟體層。1015

因此，openPangu 2.0 更適合被理解為強化 「昇騰＋盤古」開發生態 的計畫。它目前的開放程度，已對部署、檢視與實驗有實質意義；至於能否稱為完整可重現，仍應等待其餘程式碼、設定與資料相關細節公開，並由獨立團隊實測哪些部分確實能被重建。