🧠 华为放出了 openPangu 2.0 Pro：505B MoE，512K 上下文
这是一个在昇腾 NPU 上训练的超大 MoE 模型：总参数约 505B，每个 Token 激活约 18B，训练数据约 34T Tokens。模型同时提供 Thinking / Non-Thinking 模式。
架构上有几处挺有意思：
• DSA + SWA 分层混合，减少长上下文推理开销
• 4 支流 mHC 残差架构
• 3 头 MTP，一次额外预测 3 个 Token
• 使用 Muon 优化器训练
官方自报成绩很猛：AIME 2026 为 95.4，GPQA-Diamond 87.9，LiveCodeBench V6 85.7，SWE-bench Verified 68.5；Agent 方向也测了 MCP-Atlas、SkillsBench、Claw-Eval 等，不是只卷聊天榜。
但先别急着喊「国产开源之光」，这里有两个硬伤：
1. 部署门槛高。 官方路径是昇腾 + omni-infer，HF 目前也没有 Inference Provider。505B 权重更不是普通玩家能本地跑的东西。
2. 许可证有明显限制。 OpenPangu Model License 2.0 明确禁止在欧盟境内访问、下载、运行或部署模型；基于它对外提供产品，还必须展示 “Powered by openPangu”。所以它是开放权重，但不符合通常意义上的 Open Source Definition。
社区现在的关注点也差不多：规格和长上下文很吸睛，但真正决定它能不能进入开发者生态的，不只是 Benchmark，而是 CUDA 之外的推理支持、量化方案和第三方 API。眼下它更像一块展示昇腾全栈能力的旗舰肌肉，而不是拿来即用的 Qwen / DeepSeek 替代品。
我的判断：技术上值得研究，实用性暂时偏低。 真想试 openPangu 2.0，92B / 6B 激活的 Flash 版反而更现实；Pro 适合云厂商、实验室和昇腾集群用户。
🔗 模型主页
📄 许可证
📚 技术报告
这是一个在昇腾 NPU 上训练的超大 MoE 模型：总参数约 505B，每个 Token 激活约 18B，训练数据约 34T Tokens。模型同时提供 Thinking / Non-Thinking 模式。
架构上有几处挺有意思：
• DSA + SWA 分层混合，减少长上下文推理开销
• 4 支流 mHC 残差架构
• 3 头 MTP，一次额外预测 3 个 Token
• 使用 Muon 优化器训练
官方自报成绩很猛：AIME 2026 为 95.4，GPQA-Diamond 87.9，LiveCodeBench V6 85.7，SWE-bench Verified 68.5；Agent 方向也测了 MCP-Atlas、SkillsBench、Claw-Eval 等，不是只卷聊天榜。
但先别急着喊「国产开源之光」，这里有两个硬伤：
1. 部署门槛高。 官方路径是昇腾 + omni-infer，HF 目前也没有 Inference Provider。505B 权重更不是普通玩家能本地跑的东西。
2. 许可证有明显限制。 OpenPangu Model License 2.0 明确禁止在欧盟境内访问、下载、运行或部署模型；基于它对外提供产品，还必须展示 “Powered by openPangu”。所以它是开放权重，但不符合通常意义上的 Open Source Definition。
社区现在的关注点也差不多：规格和长上下文很吸睛，但真正决定它能不能进入开发者生态的，不只是 Benchmark，而是 CUDA 之外的推理支持、量化方案和第三方 API。眼下它更像一块展示昇腾全栈能力的旗舰肌肉，而不是拿来即用的 Qwen / DeepSeek 替代品。
我的判断：技术上值得研究，实用性暂时偏低。 真想试 openPangu 2.0，92B / 6B 激活的 Flash 版反而更现实；Pro 适合云厂商、实验室和昇腾集群用户。
🔗 模型主页
📄 许可证
📚 技术报告
huggingface.co
openpangu/openPangu-2.0-Pro · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
