Huawei openPangu 2.0 正式オープンソース：
505B MoE、512K コンテキスト、昇腾フルスタック

2026 年 7 月時点でopenPangu 2.0、国産 AI 基盤、昇腾 NPU 上の推論・再学習を検討しているエンジニアや IT 意思決定者の方にとって、6 月 30 日の GitCode 公開は選定タイムラインに組み込むべきイベントです。Huawei openPangu 2.0は Flash 版の重みと推論コードが先行公開され、Pro 版は 7 月、訓練パイプライン全体は 2026 年下半期に続きます。本記事は HDC 2026 公式発表と Ascend Tribe リポジトリを基に、ロードマップ、Pro/Flash パラメータ（505B/18B・92B/6B、512K コンテキスト）、7 大コンポーネント、mHC/Muon/ModAttn/DSA+SWA アーキテクチャ、DeepSeek V4 Pro / Qwen 3.7 Max / Kimi K2.7 との比較、ModelArts と GitCode による実装手順を整理します。結論として、openPangu 2.0 は総合ベンチマーク最上位とは限りませんが、512K 超長コンテキスト、国産ハードウェア適合、昇腾ネイティブ最適化、フルチェーン・オープンソースの 4 軸ではほぼ代替が困難です。

01 openPangu 2.0 導入前に避けたい 4 つの判断ミス

Flash は公開直後、Pro は数週間先、第三者ベンチマークは未確定——この熱量の高い期間に起きやすい誤判断は次の 4 点です。

• 「重みの公開」と「フルチェーン・オープンソース」を混同する：DeepSeek V4 Pro や Qwen 3.7 Max など主流モデルは重みと推論コードが中心です。openPangu 2.0 は事前学習コード、後学習コード（SFT/RLHF）、昇腾向け訓練オペレータまで段階公開を予定しています。垂直ドメインの再事前学習や学術再現が目的なら、重みだけでは不十分です。
• ハードウェア・スタックのロックインを軽視する：openPangu 2.0 は Ascend 910B NPU 上で完結して訓練され、推論も CANN + torch_npu に最適化されています。Flash はコミュニティ環境で約 96 GB 統合メモリ上の実行報告がありますが、公式が示す 2 倍スループットは昇腾環境前提です。
• 単一ベンチマークでシナリオ適合を置き換える：アーキテクチャ分析では Pro はコード生成・複雑推論で DeepSeek V4 Pro（18B 活性 vs 約 200B 活性）に劣る可能性があります。512K 文書処理、輸出規制対応、HarmonyOS エージェント展開が主目的なら、リーダーボード順位は ROI の代理指標になりません。
• データ所在地とコンプライアンスを後回しにする：ModelArts API は Huawei Cloud リージョン内でプロンプトを処理します。EU 企業は DPA・データフロー文書の整備なしに本番投入するのはリスクが高く、オンプレ昇腾または EU 準拠ゲートウェイが現実的です。これはOpenRouter 2026 年 6 月ランキング分析で述べた「ルーティングは柔軟に、基盤モデルは精密に選ぶ」方針と整合します。

02 タイムライン、Pro/Flash 仕様、7 大オープンソースコンポーネント

openPangu 2.0 の公開スケジュールは追跡可能な形で整理されています。

Flash：総 92B・活性 6B。DSA+SWA 超スパース・アテンションにより、92B の知識プールを保ちながら 6B 密モデルに近い推論速度を実現します。512K はおおよそ 8 万語規模の長編小説 8 冊分を 1 パスで処理できる規模感です。

Pro：総 505B・活性 18B。契約書全文、大規模コードベース、長期チャット履歴を 512K で扱う用途向け——2026 年中期時点のオープンソースモデルでも最長クラスのコンテキスト窓です。

最初の 4 項目は業界標準の公開範囲です。事前/後学習コードと昇腾オペレータをこの規模の MoE で開く例は稀であり、真のフルチェーン・オープンソースと言えます。

03 アーキテクチャ、昇腾スタック、競合比較マトリクス

openPangu 2.0 は Mixture-of-Experts（MoE）アーキテクチャを採用し、次の技術要素が中核です。

• mHC（Multi-Head Combinatorial）ルーティング：エキスパート割り当て効率を高め、MoE の負荷偏りを抑制します。
• Muon オプティマイザ：Microsoft 研究由来の 2 次モーメンタム最適化で、大規模訓練の安定性を向上します。
• ModAttn（Modular Attention）：512K 長シーケンス向けにモジュール化されたアテンション設計です。
• DSA+SWA 超スパース・アテンション（Flash 専用）：約 15:1 のスパース性で推論計算量を大幅に削減します。

NVIDIA GPU 不使用で訓練されたフロンティア級モデル：openPangu 2.0 の訓練は Huawei Ascend 910B NPU 上で完結し、A100/H100 は使用されていません。米国の先端 AI チップ輸出規制下で、Huawei は次の昇腾ネイティブ指標を公表しています。

• 単一カードスループットが主流オープンモデルの 2 倍（昇腾環境）
• スーパーノード訓練効率 +30%
• 512K 長シーケンス訓練スループット +50%
• 訓練/推論分布の一致度 99% 超（MoE で難しい課題）
• Flash-Int8：W4A8 対応、メモリ 40% 削減、精度劣化 10% 未満
• Embedded 30B エッジ版：推論 +50%、メモリ 20% 削減、Kirin スマートフォンでオフライン動作

ソフトウェア・スタックは CANN（Huawei 製 CUDA 相当ランタイム）と torch_npu（PyTorch アダプタ）で構成されます。import torch_npu 一行で Ascend バックエンドへ切り替え可能です。デプロイ経路は Huawei Cloud ModelArts（API）、GitCode Ascend Tribe（セルフホスト）、HarmonyOS ネイティブ・エッジの 3 系統です。

04 ModelArts API と GitCode セルフデプロイ 6 ステップ

クラウド API（迅速）とオープンソース・セルフホスト（制御性・コンプライアンス）の 2 経路を整理します。各リリース後は公式 README でコマンドとバージョンを再確認してください。

1. Huawei Cloud + ModelArts（最速ルート）：アカウント作成後、ModelArts → AI Gallery →「openPangu 2.0」を購読し、API エンドポイントと X-Auth-Token を取得します。EU 利用時はリージョン、DPA、サブプロセッサ一覧を本番前に文書化してください。
2. Chat Completions API 呼び出し：ModelArts 推論エンドポイントへ REST 送信。model: "openpangu-2.0-flash"、temperature / max_tokens 等の標準パラメータに対応します。
3. GitCode Ascend Tribe をクローン：openPangu-2.0-Flash（重み）、openPangu-2.0-Flash-Int8（量子化、メモリ 40% 削減）、openPangu-2.0-Infer（推論）、openPangu-2.0-Op（昇腾オペレータ）が主要リポジトリです。
4. Flash 単卡推論（Ascend 910B）：python inference.py --model_path ./openPangu-Flash --device npu:0 --context_length 512000 --precision bf16。Flash-Int8 は Atlas A2 で約 48 GB から。
5. Pro 多卡分散推論（7 月重み公開後）：python distributed_inference.py --model_path ./openPangu-Pro --num_devices 8 --context_length 512000——Ascend 910B 4 卡以上を推奨します。
6. ドメイン微調整 + torch_npu：LoRA 例：python finetune.py --model_path ./openPangu-Pro --data_path ./domain_data --method lora --lora_rank 16。既存 PyTorch プロジェクトは import torch_npu で Ascend バックエンドへ切り替え可能です。

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": "簡単に自己紹介してください"}],
    "max_tokens": 1024,
    "temperature": 0.7
  }'

05 戦略的意義、ライセンス、ハードデータ、結論

地政学と歴史的意義：openPangu 2.0 はNVIDIA ハードウェアを一切使わず訓練されたフロンティア級オープンモデルとして位置づけられます。HDC 2026 で Richard Yu は「私の辞書に『第二』はない、『第一』だけがある」と述べ、A100/H100 輸出規制下でも 505B MoE を Ascend で完遂した点が中国国内コンピュート・スタックの到達点を示しています。

HarmonyOS エージェント基盤：openPangu 2.0 は Huawei AI 戦略の中核です。HarmonyOS 7 はエージェント時代へ移行し、Agent Framework 2.0 は複雑タスクで 90% 超の成功率を報告。Embedded 30B は Kirin スマートフォン上でネットワーク不要のローカル推論が可能です。

openPangu License：商用利用可、ロイヤリティフリー、非独占——詳細は各 GitCode リポジトリの LICENSE を参照してください。

引用可能なハードデータ：

• パラメータ：Pro 505B / 活性 18B（約 28:1）；Flash 92B / 活性 6B（約 15:1）；いずれも 512K
• 訓練：Ascend 910B NPU のみ、NVIDIA A100/H100 はゼロ
• 性能：単卡 2 倍スループット；512K 訓練 +50%；訓練/推論一致 99% 超；レイテンシは同級比 1.2 倍改善
• 量子化/エッジ：Flash-Int8 でメモリ 40% 削減；Embedded 30B は推論 +50%、メモリ 20% 削減
• ロードマップ：6.30 Flash → 7 月 Pro → 下半期 事前/事後学習コード + オペレータ

コード生成と複雑推論では DeepSeek V4 Pro が先行する見込みです。openPangu 2.0 が突出するのは 5 軸——512K 超長コンテキスト、国産ハードウェア適合、昇腾 2 倍スループット、訓練コードを含むフルチェーン OSS、HarmonyOS エッジ統合——です。

免責事項：本記事の能力評価はアーキテクチャ推定に基づきます。第三者ベンチマーク公開後に更新します。公開日：2026 年 7 月 1 日。

公式・参考リンク（デプロイ前に再確認してください）：

GitCode Ascend Tribe — openPangu 2.0 公式リポジトリ

Huawei Cloud ModelArts 製品ページ

HDC 2026 — Huawei Developer Conference

openPangu の昇腾デプロイと iOS/macOS エージェント開発を並行評価するチームは、共有 VM 上の Xcode ビルドや長時間エージェント実行でハイパーバイザー・オーバーヘッドと統合メモリ帯域の制約に直面しがちです。API コストを下げても CI のジッターが納期を蝕みます。オーバーヘッドゼロのネイティブ計算、安定した iOS CI/CD、24/7 エージェント自動化が必要な本番環境では、ZUKCLOUD ベアメタル Mac mini クラウドノードがより堅牢な基盤です——専用 Apple Silicon、ハイパーバイザーなし、常時稼働、柔軟な日/週/月課金。HarmonyOS と Apple エコシステムを跨ぐクロスプラットフォーム・エージェント開発の土台として最適です。詳細はベアメタル・アーキテクチャ宣言をご覧ください。