Huawei openPangu 2.0 がオープンソース化 —
NVIDIA GPU 一枚も使わず学習したフロンティア LLM

• 「ただの重み公開」と見なす：多くのモデルは重みと推論コードにとどまります。openPangu 2.0 は 事前学習コード、事後学習コード、Ascend 学習オペレータ まで公開予定で、505B 規模では極めて稀です。
• SWE-bench だけでソブリン AI を判断する：DeepSeek V4 Pro（アクティブ約 200B）はコーディングと深い推論で現時点のリーダーです。openPangu の強みは 512K コンテキスト、Ascend ネイティブスループット、NVIDIA 依存ゼロ にあります。
• ハードウェア親和性を無視する：学習は Ascend 910B NPU のみで実施されました。NVIDIA 上で CANN + torch_npu 最適化を考慮せずベンチマークすると結論が歪みます。

米国の先端 AI チップ輸出規制下でも、openPangu 2.0 は A100/H100 なしでフロンティア規模の学習が可能であることを示し、「NVIDIA がなければフロンティアモデルは作れない」というナラティブに正面から挑戦しています。

両バリアントとも 512K トークン に対応します。長編小説 8 冊分、大規模コードベース全体、契約書一式を 1 プロンプトに収められます。

計画されている 7 つのオープンソースコンポーネント：モデル架構（公開済み）、重み（Flash 提供中、Pro は 7 月）、技術レポート（公開済み）、推論コード + 学習オペレータ（公開済み）、事前学習コード（2026 年下半期）、SFT/RLHF 含む事後学習コード（2026 年下半期）、Ascend カスタム学習オペレータ（2026 年下半期）。

ライセンスは寛容な openPangu License です。商用利用可、ロイヤリティフリー、非独占。正確な条項は GitCode の LICENSE を参照してください。

• mHC（Multi-Head Combinatorial）ルーティング：エキスパートルーティングを改良し、負荷不均衡を低減します。
• Muon 最適化器：Microsoft 研究由来の 2 次モーメンタム最適化器を大規模学習向けに適応しました。
• ModAttn（Modular Attention）：512K コンテキストを効率的に処理します。
• DSA+SWA 超疎アテンション（Flash のみ）：92B 総パラメータのうちトークンあたり 6B アクティブという極端なスパース性を実現します。

Ascend 学習成果（パイプラインに NVIDIA シリコン不使用）：

• 2 倍 — Ascend 上の主流オープンモデル比・単卡スループット
• +30% — ハイパーノード学習効率
• +50% — 512K 長系列学習スループット
• >99% — 学習/推論分布の一致率（MoE で問題になりやすい指標）
• Flash-Int8 量子化 — メモリ約 40% 削減、品質劣化 <10%（W4A8）

開発スタックは CANN（Huawei 版 CUDA クラスランタイム）+ torch_npu です。標準 PyTorch は import torch_npu でバックエンドを切り替えます。デプロイ経路は华为クラウド ModelArts API、GitCode セルフホスト、HarmonyOS ネイティブエッジの 3 つです。

エッジ向け 30B オンデバイスモデルは推論約 50% 高速化、メモリ約 20% 削減で、Kirin モバイルチップ上でオフライン動作します。

主要リポジトリハブ（各リリース後に要確認）：

https://gitcode.com/org/ascend-tribe/repos

独立第三者ベンチマークはまだありません（6 月 30 日リリース）。下表は架構ベースの比較です。公開リーダーボードが出次第、スコアを更新します。

• コーディング / 深い推論：現時点では DeepSeek V4 Pro が先行しています。
• Agent / MCP ツール：Kimi K2.7 エコシステムの方が成熟しています。
• 256K 超の長文書：512K 対応の openPangu 2.0 Pro が明確な選択肢です。
• 主権 / 米国技術依存なし：フロンティア級では openPangu 2.0 のみです。
• Ascend / 华为クラウド：openPangu はネイティブで 2 倍スループットを実現します。
• 限られた VRAM でのローカル推論：Flash（6B アクティブ、統合メモリ約 96GB）。

オプション 1 — 华为クラウド ModelArts（最速、ハードウェア不要）

1. 华为クラウドアカウントを登録し、本人確認を完了します。
2. ModelArts → AI Gallery を開き、openPangu 2.0 を検索します。
3. Flash または Pro を購読し、API エンドポイントと認証トークンを取得します。
4. Chat Completions リクエストを model、messages、max_tokens で組み立てます。
5. curl または SDK でテスト呼び出しを送り、レイテンシを確認します。
6. 本番ルーティングに接続し、Agent/RAG 向けにリトライ・レート制限・ログを設定します。

curl -X POST "https://modelarts.${REGION}.myhuaweicloud.com/v1/infers/openpangu-2-flash/chat/completions" \
  -H "Content-Type: application/json" \
  -H "X-Auth-Token: ${TOKEN}" \
  -d '{
    "model": "openpangu-2.0-flash",
    "messages": [{"role": "user", "content": "MoE 架構をわかりやすく説明してください"}],
    "max_tokens": 1024
  }'

オプション 2 — GitCode セルフホスト

リポジトリ：openPangu-2.0-Flash、openPangu-2.0-Flash-Int8、openPangu-2.0-Infer、openPangu-2.0-Op。

python inference.py \
  --model_path ./openPangu-Flash \
  --device npu:0 \
  --context_length 512000 \
  --precision bf16

华为クラウド ModelArts：

https://www.huaweicloud.com/product/modelarts.html

HDC 2026 公式発表：

https://developer.huawei.com/consumer/cn/hdc/

パイプライン全体のオープンソース化は、学術再現、企業ドメイン事前学習、Ascend 採用障壁の低下を可能にし、中国国内 AI ハードウェアエコシステムを拡大します。

HarmonyOS Agent 基盤：HarmonyOS 7 は Agent 時代に入り、openPangu 2.0 がネイティブ AI エンジンです。HarmonyOS Agent Framework 2.0 は複雑タスクで >90% 成功率を報告し、30B オンデバイスモデルはネットワークなしでローカル動作します。

ロードマップ：6 月 30 日 Flash 公開（完了）→ 7 月 Pro 重み → 2026 年下半期 事前/事後学習コードと追加オペレータ。

• パラメータ：Pro 505B/18B アクティブ、Flash 92B/6B アクティブ
• コンテキスト：両バリアント 512K トークン
• Ascend スループット：Ascend ハードウェア上で主流オープンモデル比約 2 倍
• 学習/推論一致率：>99%
• Flash-Int8：メモリ約 40% 削減、品質劣化 <10%
• エッジ 30B：推論約 50% 高速化、メモリ約 20% 削減

免責事項：一部の能力評価は架構ベースの推論です。独立ベンチマークが公開され次第追記します。公開日：2026 年 7 月 1 日。

openPangu API で長文書を処理しつつ iOS CI/CD、ローカル Agent フレームワーク、Mac 側オートメーション を組み合わせる場合、API 層だけでは足りません。ノート PC や VM では Metal スケジューリング不安定、サーマルスロットリング、24/7 稼働の弱さ がボトルネックになりがちです。本番 iOS ビルドと AI Agent 自動化には CALMVPS ベアメタル Mac mini レンタル が適しています。専有 Apple Silicon、マルチリージョンノード、月次の柔軟課金、約 120 秒プロビジョン。料金ページで Ascend API ワークフローと並行する Mac 側コンピュート予算を組み立ててください。