企业官网建设流程全解析

余承东「字典里没有第二」：openPangu 2.0 全链路开源，是绝地反击还是又一次 All in？

【免费下载链接】openPangu-2.0-Pro昇腾原生的openPangu-2.0-Pro语言模型项目地址: https://ai.gitcode.com/ascend-tribe/openPangu-2.0-Pro

2026 年 6 月 12 日，华为开发者大会 HDC 2026 主题演讲现场，华为常务董事、终端 BG 董事长余承东掷出一句极具个人色彩的表态："在我的字典里，没有第二，只有第一"。话音刚落，"余承东重掌大模型""华为 AI 全面反击"等话题迅速刷屏全网——这不是一次普通的发布会口号，而是这位曾把终端业务带上巅峰的高管，在去年国庆前夕被委以盘古大模型重任之后，第一次在公开场合为华为的 AI 战略定调。

随之而来的，是 openPangu 2.0 的发布，以及一份横跨数月的开源时间表：模型权重、基础推理代码、训推算子、预训练代码、后训练代码、RL 代码、技术报告——七大组件先后上线。本文不打算复述发布会 PPT，而是结合全网舆情与昇腾原生仓库 openPangu-2.0-Pro 的真实源码，拆解三个问题：那句"没有第二"究竟在什么语境下被放大？全链路开源是姿态还是真动作？505B 的 Pro 模型，成算几何？

一、"没有第二"：一句狠话背后的历史包袱与舆论发酵

要理解这句话的分量，得先回到余承东自己的叙事。在 HDC 2026 现场，他罕见地回顾了盘古的历史：华为发布全国第一个大模型时，"全中国、全世界都不知道大模型为何物"，华为堪称行业绝对的全球先驱者，"后来因为各种各样的原因没做好"。去年国庆前夕，公司把大模型业务交还给他。

这套叙事在舆论场迅速激起多层回响：

• "王者归来"叙事：CSDN 等平台以"余承东重掌盘古大模型 + openPangu 2.0 发布：华为 AI 全面反击"为题跟进，将这次发布定义为华为在 AI 战场的正面宣言；
• "字字千钧"叙事：IT之家在 HDC 现场记录到完整原话，称余承东"会带领团队一路赶超"，观察者网、财联社等媒体随即转载，将"字典里没有第二"提炼为新闻标题；
• "清醒剂"叙事：也有媒体冷静指出"世界第一还有些距离"——505B 的参数量放在 2026 年并不算顶格，余承东本人也坦承"算力大量支持了国内的其他企业需求，自己留的数量还是非常有限的"，且"AI 算力成本非常高，华为更聚焦时延和吞吐率的提升"。

值得注意的是，这句话出现在 openPangu 2.0 发布同一场合，绝非即兴发挥。它是把"话语权"与"交付物"绑定的策略：狠话负责制造关注度，开源计划负责承接兑现感。紧接着，"说到做到"就成了后续两个月的舆情关键词——6 月 30 日 Flash 开源、7 月 31 日 Pro 开源、9 月 28 日训练代码开源，媒体标题不约而同用了"说到做到"。

二、全链路开源：一张持续五个月的"交付时间表"

"字典里没有第二"如果只是口号，很快就会被遗忘。真正让这场发布从新闻变成行业事件的，是那份可被逐条核验的开源时间表。根据公开报道的完整时间线：

对照业界惯例，多数开源模型项目止步于"权重 + 推理代码"。openPangu 2.0 的增量在于把训练侧也开源：预训练代码解决"模型怎么炼出来的"，SFT 与 RL 代码解决"模型怎么变聪明的"，训推算子解决"昇腾硬件上怎么跑得动"。这正是它被称为"全链路开源"的原因——它不是把一个黑盒丢给社区，而是把从数据到权重再到部署的整条流水线摊开。

从战略意图上看，这套组合拳的目标相当清晰：为昇腾建立"可验证、可复现、可二次开发"的最佳实践基准。开源盘古品牌官方定位即是"致力于通过昇腾原生训练与推理技术，为业界用好昇腾提供最佳实践参考"。当全球开发者都能用 openPangu 的代码在昇腾集群上跑通 505B 级模型时，昇腾就不再只是"华为的芯片"，而是一个有真实工作负载沉淀的算力生态。

三、仓库源码里的 505B：架构创新不是 PPT 词汇

回到本文所在的仓库 ascend-tribe/openPangu-2.0-Pro，可以从配置与代码层面验证发布口径的真实性。

3.1 一份可追溯的架构配置

config.json 完整呈现了 Pro 版的关键参数：hidden_size=5120、num_hidden_layers=50、n_routed_experts=384、num_experts_per_tok=8、n_shared_experts=1、max_position_embeddings=524288（即 512K 上下文）。配合 README 中"总参数约 505B、每 token 激活约 18B、训练数据约 34T tokens"的口径，与 HDC 发布数据完全一致。

值得注意的是config.json中两个与 2.0 架构升级直接对应的字段组：

• DSA/SWA 混合分层：dsa_layers列出 18 层（含第 48、49 层），swa_layers列出 35 层，另有sliding_window=512与分层滑动窗口列表sliding_window_list（前 32 层窗口 512，后 3 层窗口 2048）。README 的解释是 SWA 层负责局部窗口建模、DSA 层负责稀疏全局聚合，1:2 的层配比在保持精度的同时压低长序列推理的计算、显存与访存开销；
• mHC 残差拓扑：use_mhc=true、mhc_num_stream=4、mhc_recur_norm=20、mhc_use_gamma=true，对应 README 中"4 支流 mHC 架构提升表征多样性与泛化能力"的描述。

3.2 配置类：一个自洽的 OpenPanguV2Config

configuration_openpangu_v2.py 中OpenPanguV2Config的字段设计与上述配置一一对应，且针对新旧 transformers 版本做了兼容处理——RopeParameters在新版本中从modeling_rope_utils导入，旧版本则用TypedDict兜底，注释明确说明该兜底"仅用于类型标注、不影响运行行为"。这处细节透露出工程团队的严谨：开源不是把训练仓代码打个包，而是让第三方开发者在不同依赖环境下都能平滑加载。

配置类还内置了张量并行（TP）与流水线并行（PP）的默认切分方案base_model_tp_plan/base_model_pp_plan，对 MoE 的 experts 权重（gate_up_proj、down_proj）给出了明确的 rowwise/colwise 切分约定——这是面向多卡部署的可执行规范，而非营销描述。

3.3 自投机与优化器：藏在细节里的推理提速

README 披露的两项训练/推理侧创新同样能在仓库中找到佐证：num_nextn_predict_layers=3对应"3 头 MTP 自投机模块，一次额外预测 3 个 token"；Muon 优化器则写入 README 并说明其带来"更快的收敛速度"。结合社区情报中机器之心对昇腾推理技术栈的深度解析——AMLA 算子将昇腾硬件 FLOPS 利用率推至 86.8%（对比 FlashMLA 在 H800 上约 66.7%）、Omni Proxy 调度为分布式 MoE 推理带来 10% 以上性能提升——"单卡推理吞吐率达业界 2 倍"的发布会口径，是有技术链条支撑的。

3.4 Tokenizer：面向中英混合场景的预处理设计

tokenization_openpangu_v2.py 中的预切分正则值得单拎出来看：它对中文标点与汉字边界做了精细的隔离处理（(?=\p{Han}|[标点集合])），配合 ByteLevel 后处理，使 151552 词表的 BPE 在中文长文本上保持稳定的切分质量。这与其 34T 训练语料中包含大量中文数据的设定吻合，也为 512K 长上下文场景下的 Agent 工具调用、结构化输出能力提供了分词侧的基础保障。

四、成算几何：评测数据、社区横评与开源协议的博弈

"All in"是否押对，最终要回到两个可量化的问题：模型能力是否站得住？开源生态是否玩得转？

4.1 能力成色：推理与 Agent 是主战场

README.md 的评测表给出 Thinking/Non-Thinking 双版本数据，几个关键数字值得品味：

• 数学推理：AIME 2026 Avg@16 达 95.4（w/ Python 97.9），HMMT Feb 2026 为 86.2，IMO-AnswerBench 84.3；
• Agent 能力：TAU2-Bench 81.1、GDPVal 74.9、BrowseComp 65.7，MCP-Atlas 61.3；
• 代码能力：LiveCodeBench V6 85.7、SWE-bench Verified 68.5；
• 指令遵循：IFEval Prompt Strict 94.5、IFBench 79.9。

这组数据的分布指向性很明确：openPangu 2.0 的能力重心落在推理、Agent 与代码上，而非传统通用问答。这与余承东反复强调的"Agent 时代"叙事完全一致——华为要的不是一个聊天机器人，而是能调度鸿蒙系统能力、执行多步任务的智能底座。

社区横评提供了更接地气的验证：CSDN 上有人对 openPangu-2.0-Flash（92B MoE，每 token 激活约 6B）与 Qwen3.5-27B、Qwen3.6-35B-A3B 等做了真实业务场景横评，结论是 openPangu 在结构化输出与指令遵循上首轮 100% 通过率最优，优势集中于输出稳定性，但端到端响应延迟显著高于竞品。这个"偏科"结果与官方评测的画像互相印证——它是为 Agent 任务优化的模型，而非为跑分优化的模型。

4.2 生态成色：许可证的开放与边界

开源协议往往比技术文档更能说明战略意图。仓库根目录的 LICENSE 是 OPENPANGU MODEL LICENSE AGREEMENT VERSION 2.0，几个要点值得注意：

• 授权范围宽松：永久、全球、免许可费，允许使用、修改、分发；
• 但明确禁止在欧盟境内使用（第 3.1 条）；
• 专利诉讼触发许可终止：若用户就模型发起专利侵权诉讼，许可即刻终止（第 3.2 条）；
• 再分发须保留协议副本，且产品须标注"Powered by openPangu"及商标声明。

这是一份典型的"开放但有主权边界"的协议：它向全球开发者开放了技术复现的自由，又在合规层面划出了不可逾越的底线。社区中已有专门解读文章（包括对 Ultra-MoE-718B、2.0-Pro-Int8 许可证的逐条分析），说明开发者对这份协议的关注度并不低——毕竟对商用团队而言，欧盟禁令和专利诉讼条款是必须写进法务审查清单的硬约束。

4.3 不容回避的短板

作为技术分析，也必须如实指出 openPangu 2.0 面临的三个现实约束：

1. 算力供给：余承东亲口承认"自己留的算力非常有限"，505B 已是资源约束下的选择。对比同期开源市场动辄千亿级的新模型，规模上不占优，只能以效率与生态换空间；
2. 端侧落地仍在爬坡：社区实战文章记录了在 HarmonyOS 7 接入端侧模型的多个坑点——8K tokens 的上下文压缩策略、Function Calling 的 Agent 调度实现、NPU 预热与批处理调优，说明"端侧 30B 模型跑在麒麟芯片上"的愿景，距离开发者开箱即用还有一段工程距离；
3. 延迟短板：横评显示 openPangu 的响应延迟高于同档竞品，这对需要低延迟交互的 Agent 场景是必须持续优化的方向。

五、结论：这不是一次 All in，而是一次"生态押注"

回到标题的问题：绝地反击还是又一次 All in？

从时间线看，这是华为在 AI 赛道的一次组织级重新聚焦——由终端战功赫赫的余承东亲自带队，用公开可核验的交付节奏为品牌背书。从技术看，505B 的 MoE + 512K 上下文 + DSA/SWA 混合注意力 + MTP 自投机，配合 AMLA 算子上探硬件利用率上限，构成了一套完整的"昇腾原生"技术叙事。从生态看，预训练/后训练/RL/算子全链路开源，目标不是争夺"最大参数"的虚名，而是让昇腾成为全球开发者可复现、可依赖的 AI 算力平台。

"字典里没有第二"或许过于自信，但 openPangu 2.0 选择的战场——推理效率、Agent 能力、全链路开源、昇腾生态——确实是当前 AI 竞争中最具实感、最需要工程沉淀的领域。它赌的不是参数规模，而是"用开源换取生态、用生态反哺硬件、用硬件闭环商业"的整条链路。这条路能否通向"第一"，2026 年下半年的开源社区反馈与昇腾开发者数量，将是最客观的答案。

【免费下载链接】openPangu-2.0-Pro昇腾原生的openPangu-2.0-Pro语言模型项目地址: https://ai.gitcode.com/ascend-tribe/openPangu-2.0-Pro