ファーウェイ openPangu 2.0 オープンソース公開：505B MoE、512K コンテキストと昇騰フルスタック OSS

openPangu 2.0 選定の 6 つの誤解（デプロイ前に確認）

1. 「総合能力最強の OSS モデル」と誤認する：コード生成と複雑推論では DeepSeek V4 Pro（約 200B アクティブ）が依然として優位です。openPangu 2.0 の代替不可能性は 512K コンテキスト、昇騰ネイティブ効率、フルスタック OSS にあります。
2. 「NVIDIA 非依存学習」の地政学・技術的意義を軽視する：openPangu 2.0 は世界初の非 NVIDIA ハードウェアで最先端規模の学習を完了した OSS 大規模モデルで、昇騰 910B のみを使用し A100/H100 は使っていません。
3. 重みだけ取得し、下半期の学習コードを無視する：業界の多くは重みと推論のみ公開します。openPangu は事前学習コード、事後学習コード（SFT/RLHF）、学習オペレータの公開を計画しており、超大規模 MoE では極めて稀です。
4. NVIDIA GPU で 2 倍スループットを期待する：単卡 2 倍の優位性は昇騰親和アーキテクチャ向けです。純 CUDA 環境ではコミュニティの大容量メモリテストを参照し、公式最適値をそのまま当てはめないでください。
5. Flash のスパース比データを混同する：Pro は約 28:1、Flash は約 15:1（DSA+SWA による極限推論効率）。両バージョンとも 512K コンテキストに統一されています。
6. エッジと HarmonyOS エコシステムを見落とす：ネイティブ 30B エッジモデルは推論 50% 高速化、メモリ 20% 削減。麒麟チップ搭載スマートフォンでオフライン実行可能。HarmonyOS 7 Agent のネイティブエンジンは openPangu 2.0 です。

イベントタイムラインとコアデータ一覧

Pro vs Flash：2 バージョン、512K 統一

7 大 OSS コンポーネント：なぜ今回の公開価値が高いのか

多くの OSS 大規模モデルは重みと推論コードのみを公開します。openPangu 2.0 は 7 大コンポーネントの OSS を計画しており、後半 3 つは超大規模 MoE では極めて稀です：

研究者は学習フロー全体を再現でき、企業は独自データで垂直領域の二次事前学習が可能です——真の意味でのフルスタック OSSです。

技術アーキテクチャ詳解：MoE 革新の 4 キーワード

• mHC（Multi-Head Combinatorial）ルーティング：エキスパートルーティング効率を改善し、MoE 特有の負荷不均衡を低減します。
• Muon オプティマイザ：Microsoft 提案の二階モーメンタム最適化で、大規模学習の安定性を向上します。
• ModAttn（Modular Attention）：モジュラーアテンションで 512K 超長コンテキストに適応しつつ効率を維持します。
• DSA+SWA 超スパースアテンション（Flash 専用）：極限のスパース推論を実現。6B アクティブで 92B 知識プールを呼び出し、計算要件は密な 6B モデルに近い水準です。

昇騰ハードウェア適応と学習ブレークスルー

• 学習ハードウェア：昇騰 910B NPU で全工程学習。非 NVIDIA ハードウェアで全規模学習を完了した初の最先端大規模モデル
• 推論最適化：昇騰親和アーキテクチャで単卡スループットは主流 OSS の 2 倍。推論レイテンシは同クラス比 1.2 倍 優位
• スーパーノード学習効率：+30%。512K 長系列学習スループット：+50%
• 学習・推論一貫性：分布一致率 >99%（MoE の難題であり、極めて価値が高い）
• 量子化：Flash-Int8 公開済み。W4A8 量子化でメモリ使用量 40% 削減、精度損失 <10%
• エッジ：30B エッジモデルで推論 50% 高速化、メモリ 20% 削減。麒麟チップスマートフォンでオフライン実行可能

開発者エコシステム：CANN + torch_npu

ソフトウェアスタックは CANN（CUDA 相当）と torch_npu（PyTorch アダプター）に基づきます。標準 PyTorch コードは import torch_npu で昇騰バックエンドに切り替え可能です。デプロイ経路：ファーウェイクラウド ModelArts API、GitCode 自前デプロイ、HarmonyOS ネイティブ統合。

DeepSeek、Qwen、Kimi、Llama との競合比較

シナリオ別選定フロー

• コード生成 / 複雑推論 → DeepSeek V4 Pro（200B アクティブ、性能優位）
• Agent / マルチツール連携 → Kimi K2.7（MCP エコシステム充実）
• 超長文書（>256K トークン） → openPangu 2.0 Pro（512K 第一候補）
• 国産化 / コンプライアンス / NVIDIA 非依存 → openPangu 2.0（唯一の最先端選択肢）
• 昇騰 / ファーウェイクラウド環境 → openPangu 2.0（ネイティブ 2 倍スループット）
• エッジ / スマートフォンデプロイ → openPangu Embedded（30B エッジ）
• 低コストローカル推論 → openPangu 2.0 Flash（6B アクティブ、約 96GB で実行可能）

6 月 OpenRouter ランキング分析と補完関係にあります。DeepSeek は利用量とコスパで優位、openPangu はコンテキスト長と昇騰スタックとの深い統合で優位です。

6 段階実装：ModelArts API から GitCode 自前デプロイまで

1. シナリオとバージョンを明確化：超長文書・国産化は Pro（7 月）。即時利用・高並列 API は Flash（公開済み）。
2. クラウド最短経路：ファーウェイクラウド ModelArts：アカウント登録 → ModelArts → AI Gallery → openPangu 2.0 を検索 → 購読して API エンドポイントを取得。
3. API 呼び出し検証：Chat Completions 形式でテストリクエストを送信（下記 curl 例）。
4. GitCode で重みとコードを取得：Ascend Tribe——openPangu-2.0-Flash、openPangu-2.0-Flash-Int8、openPangu-2.0-Infer、openPangu-2.0-Op。
5. 昇騰単卡 / 複数卡推論：Flash は単卡 910B。Pro は複数卡分散（8 卡クラスター）。Int8 版は約 48GB VRAM。
6. ドメイン微調整（LoRA）：重み公開後 finetune.py --method lora --lora_rank 16 が利用可能。下半期の事前学習コード公開後は二次事前学習も可能です。

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": "こんにちは、自己紹介をお願いします"}],
    "max_tokens": 1024,
    "temperature": 0.7
  }'

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

戦略的意義：地政学背景、HarmonyOS Agent、ライセンス

地政学と歴史的意義

米国の A100/H100 対中輸出規制の下で、ファーウェイは昇騰 910B で 505B MoE を学習しフルスタック OSS 化しました——「NVIDIA なしでは大規模モデルは作れない」という主張への有力な反証です。余承東は HDC 2026 で「私の余生の辞書に第二はない、第一しかない」と述べました。

HarmonyOS Agent 時代の AI 基盤

• HarmonyOS 7 は Agent インテリジェンス時代に全面移行。openPangu 2.0 は Agent タスクのネイティブ AI エンジンです
• HarmonyOS エージェントフレームワーク 2.0 の複雑タスク実行成功率 >90%
• エッジ 30B モデルでスマートフォン上のローカル大規模モデルを実現。ネットワーク不要

openPangu License の要点

• 商用利用可（Commercial Use Permitted）
• ロイヤリティフリー、非独占
• 詳細条項は GitCode リポジトリを参照

OSS ロードマップと 3 つのハードデータ

• 2026-06-30 Flash 重み + 推論コード + 学習・推論オペレータ（公開済み）
• 2026-07 Pro 重み + 推論コード（予定）
• 2026 下半期 事前学習コード、事後学習コード、追加オペレータ、データ処理ツール（予定）

• コンテキスト長差：openPangu 512K vs DeepSeek/Qwen 128K vs Kimi 256K——超長文書シナリオで 4 倍以上の優位。
• 昇騰スループット：単卡推論スループットは昇騰上の主流 OSS の 2 倍。学習・推論一致率 >99%。
• Flash アクティブ効率：92B 総パラメータに 6B のみアクティブ（約 6.5%/トークン）。推論コストは密な 6B に近く、知識プールは 92B 規模。

まとめ：openPangu 2.0 は誰向けか

openPangu 2.0 は現時点で総合能力最強の OSS 大規模モデルではありませんが、以下の軸ではほぼ代替不可能です：

1. 512K 超長コンテキスト——OSS モデル最高水準
2. 国産化 / 自主可控——NVIDIA 学習に一切依存しない唯一の最先端モデル
3. 昇騰ネイティブ最適化——ファーウェイクラウド/昇騰環境で 2 倍スループット
4. フルスタック OSS——学習コード公開計画を含み、業界でも極めて稀
5. エッジ + HarmonyOS——麒麟チップでのローカル実行と Agent ネイティブ統合

openPangu と DeepSeek/Qwen をマルチモデルルーティングする場合、ノート PC 上の Gateway は蓋を閉じると切断され、ログが散在して 512K 長コンテキスト Agent の 7×24 安定運用が困難になります。安定スケジューリング + 複数プロバイダー降格が必要な本番環境では、Gateway を MACCOME 独占 Mac mini ノードに置く方が、ローカル運用より総コストを抑えられます。プライベートモデルデプロイ Runbookと組み合わせ、公開料金はレンタル価格ページをご覧ください。

免責事項：本記事の一部ベンチマークと能力評価はアーキテクチャに基づく推定です。独立第三者のテスト結果公開後に更新します。公開日：2026 年 7 月 1 日。

参考リンク：GitCode Ascend Tribe · ファーウェイクラウド ModelArts · HDC 2026