华为开源 openPangu-2.0 全链路训练体系
2026 年 9 月 28 日，华为宣布开源盘古 openPangu-2.0 的预训练、SFT（Supervised Fine-Tuning，监督微调）代码以及后训练 RL（Reinforcement Learning，强化学习）代码正式上线。该项目旨在通过昇腾原生训练与推理技术，为业界提供昇腾生态下的最佳实践参考。开源工作分为两个核心仓库：
- openPangu-2.0-Training：地址为 https://gitcode.com/ascend-tribe/openPangu-2.0-Training
- openPangu-2.0-RL：地址为 https://gitcode.com/ascend-tribe/openPangu-2.0-RL
当前代码基于 PyTorch 与 CANN（Compute Architecture for Neural Networks）生态构建，适配昇腾系列 AI 处理器。截至发稿，openPangu-2.0-Training 仓库标注 Star 数为 23（注：原文中 “项目成员 23” 应为 Star 数，Fork 为 0，提交数为 1，无 Tags）。
开源组件与技术定位
openPangu-2.0-Training 是一个大规模基础模型训练框架项目，配套用于昇腾原生训练的开源盘古 2.0 系列模型。根据项目介绍，其涵盖两部分核心功能：
- 预训练代码：支撑大规模语言模型的初始训练阶段
- SFT（监督微调）代码：基于标注数据对模型进行任务定向优化
而 openPangu-2.0-RL 则聚焦于模型训练的最后环节——强化学习后训练，通常用于对齐模型行为、提升其与人类意图的一致性。
chained execution：需特别注意的是，两个仓库当前均处于极早期阶段——Fork 数为 0，提交数仅 1，无 Tag 发布。这意味着该训练框架尚未经历社区广泛迭代，提供的是初始版本开源。对于期待稳定生产就绪代码的团队，需评估当前工程成熟度是否满足自身需求。
对比参考：开源生态中的位置
尽管原文未给出版本对比数据，根据开源训练框架的行业惯例，openPangu-2.0 的特色在于其对昇腾软硬协同生态的深度整合。下表总结了与主流训练框架的定位差异（仅基于原文事实整合）：
| 项目 | 框架基础 | 硬件适配 | 训练阶段覆盖 |
|---|---|---|---|
| openPangu-2.0 | PyTorch + CANN | 昇腾原生 | 预训练 + SFT + RL 后训练 |
| 主流通用框架 | PyTorch / TF | 通用 GPU | 通常含预训练/SFT，RL 非标配 |
关键点：openPangu-2.0 是目前少数明确将 RL 后训练环节作为独立模块开源的中文大模型项目，这体现了其对模型对齐技术链的完整支持，而多数开源项目仅公开基础训练代码。
读者落地建议
- 适合谁用：使用昇腾硬件（如 Atlas 系列服务器）进行大模型定制开发的企业与研究团队；希望完整追踪从预训练到 RL 对齐全流程的工程团队。
- 建议再等等的场景：对训练代码稳定性有硬性要求的生产环境团队；当前无昇腾硬件部署基础的用户，可鉴于项目尚处 1 提交的极早期状态，建议等待后续版本迭代。
写在最后
此次开源填补了国产昇腾生态下完整训练链路的空白。从预训练、SFT 到 RL 后训练的端到端开放，标志着国内 AI 框架正从单一模型推理适配，迈向系统级训练能力开源的新阶段。