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

2026 年 6 月 12 日、華為開発者大会 HDC 2026 が東莞・松山湖で開催され、余承東氏の基調講演で openPangu 2.0 が正式発表されました。約 3 週間後の 6 月 30 日、ファーウェイは約束を果たし、openPangu-2.0-Flash のモデル重み・基礎推論コード・学習推論オペレータを GitCode Ascend Tribe で公開しました。

7 大オープンソースコンポーネントが段階的に公開され、業界でも稀なフルスタック開放を構成しています。

1. モデル構造（アーキテクチャ定義）
2. モデル重み（Flash は 6/30 公開済み、Pro は 7 月予定）
3. 技術レポート（重みと同時公開）
4. 推論コード（基礎推論 + 学習推論オペレータ）
5. 事前学習コード（下半期公開、学習フロー全体を再現可能）
6. 事後学習コード（SFT / RLHF、下半期公開）
7. 学習オペレータ（昇騰向け高性能カスタムオペレータ、下半期公開）

最初の 4 項目は一般的なオープンソースの範囲です。残り 3 項目は超大規模 MoE では極めて珍しく、研究者や企業が独自データで垂直領域の二次事前学習を行えることを意味します。単に「重みを落として推論する」だけではありません。

• 「オープンソース＝全能最強」と誤解する：独立第三者ベンチマークはまだ進行中です。コード生成と複雑推論では DeepSeek V4 Pro が依然として大きな優位を持ちます——ds4 ローカル推論ガイド を参照してください。
• ハードウェアスタックへのバインドを軽視する：ネイティブ最適化は 昇騰 910B + CANN + torch_npu 向けです。純粋な NVIDIA 環境では 2 倍スループットが出ない場合があり、実クラスタで評価が必要です。
• 512K コンテキストのコストを過小評価する：長コンテキスト推論はメモリと KV Cache に大きな負荷をかけます。Flash-Int8（W4A8）で 40% 削減できますが、業務精度の許容範囲を検証する必要があります。
• Flash のスパース比の表現を混同する：Pro は約 28:1（505B/18B）、Flash は約 15:1（92B/6B）です。DSA+SWA 超スパースアテンションは Flash 固有です。
• Pro の全面公開前であることを見落とす：7 月までは Flash ベースの本番検証にとどまります。超長文書とマルチカード分散推論は Pro 重み公開後に負荷試験してください。

512K コンテキストは、1 回のプロンプトに長編小説およそ 8 冊分のテキストを投入できる規模です。完全な契約書、大規模コードベース、長時間の会話履歴を単一ラウンドで処理できます。Flash は 6B の活性化パラメータで稠密 6B に近いレイテンシを実現しながら、92B の知識プールを参照できるため、高並列 API や限られた VRAM の環境に適しています。

openPangu 2.0 は MoE（混合エキスパート） アーキテクチャを採用し、NVIDIA 以外のハードウェアで全規模学習を完遂した初の前沿オープンソース大規模モデルです。学習はすべて 昇騰 910B NPU で行われ、A100 / H100 は一切使用されていません。

• 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 の負荷不均衡を緩和します。
• Muon 最適化器：マイクロソフト提案の二階モーメンタム方式で、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対応します。
• DSA+SWA 超スパースアテンション（Flash 固有）：極限のスパース推論で算力要件を削減します。
• スーパーノード学習効率 +30%；512K 長シーケンス学習スループット +50%。
• Flash-Int8：W4A8 量子化でメモリ使用量を 40% 削減、精度損失は通常 <10% です。

ソフトウェアスタックは CANN（CUDA 相当のファーウェイ自社スタック）+ 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られます。デプロイ経路は華為クラウド ModelArts API、GitCode セルフホスト、HarmonyOS エッジネイティブ統合をカバーします。

米国の先端 AI チップ対中輸出規制が続く中、openPangu 2.0 は「NVIDIA がなければ大規模モデルは作れない」という議論への強い反論です。余承東氏は HDC 2026 で「私の辞書に第二はない。第一だけだ。中国一から世界一へ」と述べました。

選定決定木（簡易版）：

• コード生成 / 複雑推論 → DeepSeek V4 Pro（~200B 活性化、性能リード）
• 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 Token） → openPangu 2.0 Pro（512K 第一候補）
• 国産 AI / NVIDIA 非依存 → openPangu 2.0（唯一の前沿選択肢）
• 昇騰 / 華為クラウド環境 → openPangu 2.0（ネイティブ 2 倍スループット）
• エッジ / スマホデプロイ → openPangu Embedded（30B エッジ向け）
• 低コストローカル推論 → openPangu Flash（6B 活性化、~96GB 統一メモリで試験可能）

OpenRouter 6月ランキングと合わせると、DeepSeek の使用量首位は「全能第一」ではありません。賢明な戦略は「前沿クローズド／高難度 5% + 中国オープンウェイト日常 95%」であり、openPangu は長コンテキスト + 主権コンピュートの軸でマトリクスを補完します。

方式一：華為クラウド ModelArts API（最速着手）

1. 華為クラウドアカウントを登録します
2. ModelArts → AI Gallery →「openPangu 2.0」を検索します
3. Flash または Pro を購読し、API Endpoint と Token を取得します

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": "こんにちは、自己紹介してください"}
    ],
    "max_tokens": 1024,
    "temperature": 0.7
  }'

方式二：GitCode セルフデプロイ（Ascend Tribe 主要リポジトリ）：

• openPangu-2.0-Flash：Flash 重み
• openPangu-2.0-Flash-Int8：量子化版（メモリ -40%）
• openPangu-2.0-Infer：推論ソースコード
• openPangu-2.0-Op：昇騰高性能オペレータ

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

python distributed_inference.py \
  --model_path ./openPangu-Pro \
  --num_devices 8 \
  --context_length 512000

python finetune.py \
  --model_path ./openPangu-Pro \
  --data_path ./domain_data \
  --output_dir ./fine_tuned_model \
  --method lora \
  --lora_rank 16

openPangu 2.0 は単体の大規模モデルではなく、ファーウェイ AI 戦略の中核基盤です。HarmonyOS 7 は Agent 時代に全面移行し、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は >90%、openPangu 2.0 をネイティブエンジンとしています。エッジ 30B Embedded は麒麟チップ搭載スマートフォンでローカル動作し、ネット接続は不要です。

openPangu License の要点：商用利用可、ロイヤリティフリー、非独占的です。詳細は GitCode リポジトリの条項を参照してください。フルスタックオープンソース（事前・事後学習コード含む）は学術界と国産 AI 業界にとって、学習再現、垂直領域二次事前学習、昇騰エコシステム参入障壁の低下を意味します。

免責事項：本記事の一部能力評価はアーキテクチャ推論に基づきます。独立第三者ベンチマーク結果公開後に更新します。公開日 2026 年 7 月 1 日。

1. 01
   シナリオ階層を明確化：超長文書 / 国産 AI コンプライアンス → openPangu；コード推論 → DeepSeek V4 Pro；Agent オーケストレーション → Kimi K2.7。OpenRouter 6月選定マトリクスで日常 95% と前沿 5% のルーティングを固定します。
2. 02
   クラウド API スモークテスト：華為クラウド ModelArts で Flash を購読し、curl で Chat Completions のレイテンシと 512K 切り捨てポリシーを検証します。Token 単価と QPS 上限を記録します。
3. 03
   ローカル / クラウド Mac で Flash 試験：コミュニティ評価では 96GB 統一メモリ環境で重みロードと短コンテキスト推論を試せます。NUKCLOUD コンソールで高メモリ Mac ノードをプロビジョニングし、ノート PC のフタ閉じによる中断を避けます。
4. 04
   GitCode 取得と Ascend スタック：Flash、Flash-Int8、Infer、Op リポジトリをクローンします。昇騰環境で CANN + torch_npu を構成します。NPU がない場合はまず API 経路を使い、ヘルプセンターを参照してください。
5. 05
   統一ゲートウェイ接続：LiteLLM / 自社ルーターで openPangu ModelArts と DeepSeek、Kimi を並列登録します。長文書タスクは Pro/Flash に自動ルーティング、コードタスクは DeepSeek にフォールバックします。
6. 06
   7×24 Agent ホスト本番化：パイロット通過後 注文ページでスペックを確定します。本番チェックリストは NUKCLOUD Runbook、料金ページで時間課金と月額 TCO を比較します。

ローカル MacBook で openPangu Flash の重みダウンロード、長コンテキスト負荷試験、マルチモデル Agent ループを回すと、フタ閉じスリープ中断、帯域ジッターによる切断、92B スパース重みをロードできないメモリ不足が頻発します。安定した 7×24 オンラインゲートウェイで ModelArts / OpenRouter / セルフホストスタックをルーティングする必要があるチームには、NUKCLOUD 多地域ベアメタル Mac / クラウド Mac ノードの 96GB 統一メモリ実験環境と Agent 常駐ホストが、共有 VPS やノート PC より Q3 モデル爆発のペースに合わせやすい選択肢です。

本記事は 2026 年 7 月 1 日執筆。外部参照：GitCode Ascend Tribe、華為クラウド ModelArts、HDC 2026。