👉模型地址：https://ai.gitcode.com/ascend-tribe/openPangu-Ultra-MoE-718B-V1.1
👉Int8量化版本也同步开源：https://gitcode.com/ascend-tribe/openPangu-Ultra-MoE-718B-V1.1-Int8
还记得9月底刷屏的「华为盘古718B」吗？当时凭借不堆数据、专注思考的训练哲学，在 SuperCLUE 榜单中一举冲至开源模型第三，成为业界焦点。
今天，openPangu-Ultra-MoE-718B-V1.1 正式在 GitCode 平台开源，模型权重与技术细节全面公开！
openPangu-Ultra-MoE-718B-V1.1 是基于昇腾 NPU 训练的大规模混合专家（MoE）语言模型，总参数规模达 718B，激活参数量为 39B。该模型在同一架构下融合了"快思考"与"慢思考"两种能力，实现更高效、更智能的推理与决策。
相比上一版本 openPangu-Ultra-MoE-718B-V1.0，V1.1 在 Agent 工具调用能力上显著增强，幻觉率进一步降低，模型的综合表现与稳定性也全面提升。
🤖 模型架构：更稳训练，更优均衡
openPangu-Ultra-MoE-718B-V1.1 采用业界先进的 Multi-head Latent Attention (MLA) 、Multi-Token Prediction (MTP) 以及 高稀疏比混合专家架构，并在此基础上引入多项创新设计，以实现更优的性能与训练效率：
-
• Depth-Scaled Sandwich-Norm 与 TinyInit： 通过改进层归一化结构和参数初始化方式，显著提升模型训练的稳定性与收敛速度。
-
• 基于 EP-Group 的负载均衡策略： 优化负载均衡损失函数，有效增强专家路由的分布均衡性，提升专家特化与协同能力。
🔥 核心亮点：更强能力，更低幻觉
本次开源的 V1.1 版本在多个关键维度实现显著提升：
-
• 综合能力优化： 在 MMLU-Pro、GPQA 等高难度测评中，快慢思考双模式成绩全面超越 V1.0；
-
• 幻觉率大幅降低： 通过"批判内化"机制，幻觉率从 V1.0 的 10.11% 降至 3.85% （快思考模式）；
-
• 工具调用能力增强： 升级 ToolACE 框架，在 Tau-Bench 等多工具协同任务中表现亮眼；
-
• 首推 Int8 量化版本 ： 显存占用减少约一半，吞吐提升 20%，精度损失不足 1%。
测评结果一览：
| 测评集 | 测评指标 | V1.0 快思考 | V1.0 慢思考 | V1.1 快思考 | V1.1 慢思考 |
|---|---|---|---|---|---|
| 通用能力 | |||||
| MMLU-Pro | Exact Match | 80.18 | 82.40 | 83.17 | 84.84 |
| GPQA-Diamond | Avg@4 | 69.19 | 76.77 | 76.60 | 77.95 |
| SuperGPQA | Acc | 52.28 | 61.67 | 58.59 | 63.65 |
| IF-Eval | Prompt Strict | 81.70 | 80.59 | 86.88 | 81.33 |
| SysBench | Constraint Satisfaction Rate | 85.99 | 91.43 | 87.33 | 91.87 |
| Hallucination-Leaderboard (HHEM) | Hallucination Rate | 10.11 | 18.39 | 3.85 | 3.01 |
| 数学能力 | |||||
| CNMO 2024 | Avg@32 | 65.62 | 80.73 | 76.56 | 82.99 |
| AIME25 | Avg@16 | 40.62 | 75.21 | 49.79 | 77.50 |
| AIME24 | Avg@16 | 56.25 | 80.21 | 66.04 | 82.08 |
| 代码能力 | |||||
| LiveCodeBench | Avg@3 (01/25~05/25) | 45.14 | 61.14 | 36.57 | 65.71 |
| Agent工具调用 | |||||
| BFCL-V3 | Acc (Prompt) | 72.32 | 56.97 | 69.81 | 72.36 |
| Tau-Bench (airline) | Avg@3 (FC) | 41.33 | 40.00 | 44.67 | 54.67 |
| Tau-Bench (retail) | Avg@3 (FC) | 68.98 | 52.75 | 66.66 | 74.20 |
| Tau2-Bench (airline) | Avg@3 (FC) | 47.33 | 52.00 | 61.33 | 66.00 |
| Tau2-Bench (retail) | Avg@3 (FC) | 74.85 | 67.25 | 72.22 | 79.24 |
| Tau2-Bench (telecom) | Avg@3 (FC) | 65.21 | 59.94 | 51.17 | 62.28 |
| AceBench | Acc (Prompt) | 79.36 | 80.93 | 78.63 | 81.32 |
注： 评测过程中，system prompt 为空, V1.1较V1.0的提升项加粗。
模型交互演示：
蓝色小球弹跳动画
地心视角太阳系运行图
🏆 成绩说话：SuperCLUE 开源第三
在 9 月最新 SuperCLUE 榜单中，openPangu-718B 稳居开源模型总榜第三，在数学推理、科学推理、代码生成等六大核心维度均表现优异。
尤其值得关注的是，其幻觉控制项得分高达 81.28，甚至超过部分闭源巨头，凸显出其在输出可靠性上的技术优势。
🛠 技术突破：如何实现"小而精"的训练？
与单纯追求数据量的思路不同，openPangu 团队坚持三大技术路径：
1. 三阶段预训练： 通用→推理→退火，逐步构建知识体系与逻辑链条；
2. 批判内化机制： 让模型学会自我审视推理过程，从源头减少幻觉；
3. 动态微调策略： 通过渐进式优化与模型融合，平衡拟合与泛化能力。
📦 开源信息：一键获取，快速部署
-
模型地址： https://ai.gitcode.com/ascend-tribe/openPangu-Ultra-MoE-718B-V1.1
-
Int8 量化版本也同步开源： https://gitcode.com/ascend-tribe/openPangu-Ultra-MoE-718B-V1.1-Int8
-
硬件要求： Atlas 800T A2 (64GB, >=32卡)，支持裸机或 Docker 部署
-
特色功能： 通过 /no_think 标记切换快慢思考模式，支持多轮工具调用
💡 开发者说：从"可用"到"好用"的跨越
"我们追求的不仅是参数规模，更是模型在实际场景中的可靠性与实用性。"openPangu 团队表示，此次开源希望推动国产大模型从技术追赶走向生态共建，让每一位开发者都能基于高质量基座模型探索创新应用。
当大模型竞争进入"硬核技术"时代，华为盘古用开源与实干证明： 真正的突破源于对思考质量的坚持。无论是学术研究还是产业落地，openPangu-718B-V1.1 都值得你亲自体验。
👉 立即访问 GitCode：
-
https://ai.gitcode.com/ascend-tribe/openPangu-Ultra-MoE-718B-V1.1
-
https://gitcode.com/ascend-tribe/openPangu-Ultra-MoE-718B-V1.1-Int8
（模型仓库已开放，附详细部署指南与测评数据）
加入 GitCode社区 openPangu 开发者社群，了解更多模型信息