--- title: openPangu-2.0-Flash canonical_url: "https://www.modelscope.cn/models/openpangu/openPangu-2.0-Flash" md_url: "https://www.modelscope.cn/models/openpangu/openPangu-2.0-Flash.md" repository: openpangu/openPangu-2.0-Flash last_updated: 2026-07-01 model_type: - openpangu_v2 architectures: - OpenPanguV2ForCausalLM parameters: 100.1B tensor_type: - BF16 - F32 library_name: - safetensors - pytorch frameworks: - Pytorch downloads: 19753 stars: 14 --- # openPangu-2.0-Flash > openPangu-2.0-Flash - openpangu 在 ModelScope 开源的模型。openPangu-2.0-Flash 中文 | English - **Repository**: openpangu/openPangu-2.0-Flash - **Parameters**: 100.1B - **Downloads**: 19753 - **Stars**: 14 - **Last updated**: 2026-07-01 Source: https://www.modelscope.cn/models/openpangu/openPangu-2.0-Flash --- # openPangu-2.0-Flash 中文 | [English](https://huggingface.co/openpangu/openPangu-2.0-Flash/blob/main/README_EN.md) ## 1. 简介 openPangu-2.0-Flash 是基于昇腾 NPU 训练的大规模混合专家（MoE）语言模型，参数规模约 92B，每 token 激活参数规模约 6B，模型支持 512k 上下文长度，训练数据总量约34T tokens。后训练阶段完成快慢合一微调（SFT）、多专项强化学习（RL），并通过在线蒸馏（OPD）完成能力合一。 ## 2. 模型架构 openPangu-2.0-Flash 在模型架构上实现了全面的升级： - Attention架构：沿用高效 MLA，并采用 DSA+SWA 独立分层混合架构，层配比为 1:2；SWA 层负责局部窗口建模，DSA 层负责稀疏全局聚合，在保持精度的同时显著降低长序列推理的计算、显存与访存开销。 - 拓扑架构：将传统残差连接升级为 4 支流 mHC 架构，提升表征多样性与泛化能力。 - 自投机模块：采用 3 头 MTP 架构，一次额外预测 3 个 token，显著提升模型的推理速度。 - Muon优化器：训练中采用Muon优化器，获得更快的收敛速度。 ## 3. 测评结果 | 测评集 | 测评指标 | openPangu-2.0-Flash-Thinking | openPangu-2.0-Flash-Non-Thinking | |:------------------|:----------------------------:|:-----:|:-----:| | **通用能力** | | | | | CL-Bench | Acc | 20.4 | 15.5 | | IFEval | Prompt Strict | 95.9 | 89.3 | | IFBench | Prompt Strict | 79.6 | 54.4 | | AgentIF | (CSR+ISR)/2 | 44.9 | 43.9 | | SysBench | ISR | 91.1 | 87.9 | | Multichallenge | Acc | 68.4 | 51.9 | | **推理能力** | | | | | AIME 2026 | Avg@16 | 93.3 | 86.5 | |  - w/ Python | Avg@16 | 98.1 | - | | HMMT Feb 2025 | Avg@16 | 91.5 | 67.1 | |  - w/ Python | Avg@16 | 96.9 | - | | IMO-AnswerBench | Acc | 76.5 | 62.3 | |  - w/ Python | Acc | 80.8 | - | | BBEH | Harmonic Mean | 62.5 | 51.5 | | GPQA-Diamond | Avg@4 | 83.7 | 79.8 | | **Agent能力** | | | | | BrowseComp | Acc | 57.0 | - | | SkillsBench | Avg@5 | 42.6 | 40.0 | | PinchBench | Avg@3 | 85.6 | 82.5 | | Claw-Eval | Pass^3 | 57.7 | 58.2 | | WildClawBench | Avg@3 | 41.5 | 35.0 | | MCP-Atlas | Acc | 58.9 | 47.9 | | TAU2-Bench | Avg@3 | 88.0 | 74.0 | | **代码能力** | | | | | LiveCodeBench V6 | Avg@3 | 85.1 | 50.9 | | DeepCodeBench | Avg@3 | 76.5 | 70.9 | | SWE-bench Verified | Avg@3 | 63.1 | 57.6 | | FeatBench | Avg@3 | 45.9 | 45.8 | ## 4. 部署和使用 - 使用omni-infer推理框架，部署方式参考[[openPangu-2.0-Flash部署说明](https://gitcode.com/ascend-tribe/openPangu-2.0-Infer/blob/main/README.md)] - 源码仓:[[openPangu-2.0-Infer]](https://gitcode.com/ascend-tribe/openPangu-2.0-Infer) ## 5. 模型许可证 除文件中对开源许可证另有约定外，openPangu-2.0-Flash 模型根据 OPENPANGU MODEL LICENSE AGREEMENT VERSION 2.0 授权，旨在允许使用并促进人工智能技术的进一步发展。有关详细信息，请参阅模型存储库根目录中的 [LICENSE](https://huggingface.co/openpangu/openPangu-2.0-Flash/blob/main/LICENSE) 文件。 ## 6. 免责声明 由于 openPangu-2.0-Flash （“模型”）所依赖的技术固有的限制，以及人工智能生成的内容是由模型自动生成的，华为无法对以下事项做出任何保证： - 该模型的输出通过AI算法自动生成，不能排除某些信息可能存在缺陷、不合理或引起不适的可能性，生成的内容不代表华为的态度或立场； - 无法保证该模型100%准确、可靠、功能齐全、及时、安全、无错误、不间断、持续稳定或无任何故障； - 该模型的输出内容不构成任何建议或决策，也不保证生成的内容的真实性、完整性、准确性、及时性、合法性、功能性或实用性。生成的内容不能替代医疗、法律等领域的专业人士回答您的问题。生成的内容仅供参考，不代表华为的任何态度、立场或观点。您需要根据实际情况做出独立判断，华为不承担任何责任。 ## 7. 反馈 如果有任何意见和建议，请提交issue或联系[openPangu@huawei.com](url)。