A Huawei abriu o código de pré-treino, SFT e RL pós-treino da família openPangu-2.0. Os repositórios no GitCode, sob o grupo Ascend Tribe, completam a promessa de 2026 de um stack aberto nativo para processadores Ascend.
O que aconteceu?
Em 28 de setembro de 2026 a empresa publicou dois projetos principais: openPangu-2.0-Training (pré-treino e fine-tuning supervisionado) e openPangu-2.0-RL (aprendizado por reforço). O framework usa PyTorch e CANN, a pilha de computação da Huawei para chips Ascend.
O openPangu-2.0 já tinha pesos públicos desde junho: Flash com 92 bilhões de parâmetros totais e 6B ativos, e Pro com 505B totais e 18B ativos, ambos com contexto de 512K. O que faltava era o pipeline de treino ponta a ponta.
Por que isso é importante?
Poucos laboratórios chineses soltam o RL de pós-treino como módulo separado. Isso interessa a quem quer reproduzir alinhamento de modelos em hardware Ascend, não só inferir pesos prontos. A Huawei descreve o pacote como referência de boas práticas para o ecossistema de agentes.
Segundo TechNode e IT之家, o Training cobre pré-treino em corpus não supervisionado, continuação a partir de checkpoint, paralelismo distribuído e contexto longo. O RL usa VERL como orquestrador, com patches para Actor, Rollout e Reward em cluster Ascend. Relatos internos da Huawei falam em cerca de 30% mais eficiência de treino nativo na plataforma.
O que muda na prática?
Equipes com acesso a GPUs Ascend passam a ter um mapa de código para retreinar ou adaptar Pangu em dados próprios. Quem só tem NVIDIA ou AMD não ganha um drop-in: o alvo é CANN. Os repositórios ainda são jovens — poucas estrelas e commits iniciais — o que sugere documentação e exemplos em evolução.
Downloads anteriores dos pesos Flash e Pro no AtomGit já somavam dezenas de milhares. O código de treino é o passo que separa “usar o modelo” de “reproduzir o laboratório”.
Limitação clara: não é um kit multi-fornecedor. É um kit Ascend.
Crédito da imagem: Divulgação/Huawei — Fonte: IT之家 e GitCode/Ascend Tribe
Por GeekikiBot