盘古718B大模型开源：解锁 AI “深度思考” 密码，引领行业变革浪潮

在人工智能的快速发展浪潮中，华为盘古大模型始终占据着重要的一席之地。近期，华为 openPangu – Ultra – MoE – 718B – V1.1 在 GitCode 平台的开源，以及其在技术和应用层面的诸多突破，再次吸引了全球目光，为 AI 领域带来了新的变革与启示。

华为 openPangu – Ultra – MoE – 718B – V1.1 的开源，是 AI 领域的一个重大事件。这意味着华为将基于昇腾 NPU 训练的大规模混合专家（MoE）语言模型的总参数规模达 718B、激活参数量为 39B 的技术细节毫无保留地向全世界开放。这一举措不仅彰显了华为在 AI 领域的自信与担当，更为全球的科研人员和开发者提供了一个宝贵的探索和创新平台，有助于推动整个 AI 行业的技术进步。

该模型的独特之处在于，它在同一架构下融合了 “快思考” 与 “慢思考” 两种能力。通过 /no_think 标记，模型能够在快慢思考模式之间灵活切换，并且支持多轮工具调用。这种创新的架构设计，使得盘古 718B 能够根据不同的任务需求和场景，迅速调整思考方式和速度，为解决复杂问题提供了更强大的支持。

V1.1 版本的盘古 718B 在性能上取得了令人瞩目的进步。

在 MMLU – Pro、GPQA 等高难度测评中，盘古 718B 的快慢思考双模式成绩全面超越 V1.0。这表明模型在面对复杂的知识理解、问题解答等任务时，具备了更强的综合能力，能够更准确、更深入地理解和处理各种信息。

幻觉问题一直是困扰大模型发展的难题，而盘古 718B 通过 “批判内化” 机制，成功地将幻觉率从 V1.0 的 10.11% 降至 3.85%（快思考模式）。这一机制让模型能够主动审视自身推理过程，依据不同任务的 “行为准则”，自动检查逻辑链条是否跳跃、信息是否遗漏、是否偏离指令。通过将批判性思维融入推理本能的训练，模型在数学推理、科学论证等领域的输出更加准确和可靠，大大提高了模型的实用性和可信度。

为了让 AI 更好地应用于实际场景，盘古 718B 升级了 ToolACE 框架。在 Tau – Bench 等多工具协同任务中，模型表现亮眼。通过领域工具组合技术、交互式目标轨迹生成、多智能体对话生成以及多维校验与错例迭代等关键技术，模型能够更精准地规划工具调用序列，在复杂多轮交互中展现出出色的工具调用能力，真正实现了从 “纸上谈兵” 到 “能办实事” 的转变。

盘古 718B 还推出了 Int8 量化版本，这一举措具有重要意义。通过量化技术，模型的显存占用减少约一半，同时吞吐提升 20%，而精度损失不足 1%。这使得模型在资源受限的环境下也能够高效运行，为其在更多场景中的应用提供了可能，进一步拓展了模型的应用范围。

盘古 718B 的成功背后，是一系列的技术创新。

在模型训练过程中，华为团队通过改进层归一化结构和参数初始化方式，提出了 Depth – Scaled Sandwich – Norm 与 TinyInit 技术。这两项技术显著提升了模型训练的稳定性与收敛速度，使得模型能够更快速、更高效地学习和优化，为模型的大规模训练和性能提升奠定了坚实的基础。

为了充分发挥 MoE 架构的优势，华为团队优化了负载均衡损失函数，提出了基于 EP – Group 的负载均衡策略。这一策略有效增强了专家路由的分布均衡性，提升了专家特化与协同能力，使得模型能够更好地利用各个专家的优势，提高了模型的整体性能和效率。

在数据构建环节，盘古 718B 团队摒弃了 “以量取胜” 的常规做法，转而建立 “质量评估 – 科学筛选 – 精准增强” 的全流程体系。通过规则过滤、模型筛查与人工审核结合，彻底清理了社交媒体噪声、过期信息等低质样本；从科学、代码等领域和推理、生成等任务类型双维度设计覆盖方案，利用去重算法避免冗余数据；并通过量化推理步骤、概念抽象度等指标，重点强化中高难度任务的训练比例，专攻多步骤推理等中高难度任务。这种对数据质量的严苛把控，为模型在复杂场景下的强大推理能力奠定了坚实基础。

预训练阶段是模型能力形成的关键，盘古 718B 通过通用、推理、退火三阶段递进训练，完成了从 “积累知识” 到 “学会思考” 的蜕变。在通用阶段，模型借助大规模文本与代码数据构建世界知识体系；推理阶段则大幅增加泛数学、STEM 及代码数据比重，引入高难度多步骤推理题库和详细思维链引导模型学习逻辑路径；退火阶段通过阶梯式扩展上下文长度至 128K，增加指令类数据与 Agent 工具使用数据，让模型逐步掌握外部工具调用能力。这种分阶段训练策略，恰似为 AI 搭建了从 “识字” 到 “解题” 再到 “实践” 的完整学习路径，有效平衡了模型的基础认知与专项能力。

盘古 718B 的强大性能和创新技术，为其在各个行业的应用提供了有力支持，已经在多个领域取得了显著的成果。

中国农科院与华为云合作，利用盘古大模型打造了农业科学发现大模型。该模型能够精准推荐水稻株型改良的基因编辑位点，将方案设计时间从数月缩短到数周，同时保持极高的预测准确性。通过对水稻材料进行优化，改良后的水稻株高降低约 25%，抗倒伏能力大幅增强，产量不受影响。在基因研究领域实现了 “数据驱动 — 智能预测 — 精准设计 — 高效验证” 新范式，有效降低了研发试错成本，提升了种质创制效率。

盘古预测大模型采用业界首创的 Triplet Transformer 统一预训练架构，具备多源数据融合能力、高效处理框架和强泛化性优势。已在水泥、钢铁、有色金属、供热等多个工业领域落地应用，为客户提供工艺优化与系统寻优解决方案。例如，海螺集团采用盘古预测大模型，形成海螺 M – MoE 熟料强度预测大模型，在所有不同厂区、不同产线都能达到 85% 以上的准确率，实现了生产稳定、产品质量保障和能源消耗降低，为企业节省大量成本。

盘古 CV 大模型发布的全新 MoE 架构的 300 亿参数视觉大模型，是目前业界最大的视觉模型，全面支持图像、红外、激光点云、光谱、雷达等多维度、泛视觉的感知、分析与决策。通过跨维度生成模型，能够构建各个工业场景中稀缺的泛视觉故障样本库，极大提升了业务场景的可识别种类与精度，为工业生产中的视觉检测和分析提供了强大的技术支持。

华为盘古 718B 大模型的开源和升级，是华为在 AI 领域持续创新的重要成果，为全球 AI 发展注入了新的活力。随着技术的不断进步和应用场景的不断拓展，相信盘古大模型将在更多领域发挥重要作用，为推动全球 AI 技术的发展和行业的数字化转型做出更大的贡献。同时，我们也期待华为在 AI 领域能够继续保持创新精神，推出更多具有突破性的技术和产品，引领 AI 行业走向新的高度。

总之，华为盘古 718B 大模型以其卓越的性能、创新的技术和广泛的应用前景，成为了 AI 领域的一颗璀璨明星，为整个行业的发展树立了新的标杆。它的出现不仅为科研人员和开发者提供了宝贵的资源，也为各行各业的数字化转型带来了新的机遇和挑战。在未来的日子里，我们将见证盘古大模型在更多领域的精彩表现，共同开启 AI 深度思考的新时代。