华为盘古大模型，首次开源！

模型名为盘古Pro MoE，参数量72B，其中激活参数量为16B，中英文理解和推理能力都不输给32B密集模型。

而且盘古Pro MoE还提出了全新的MoE架构，专门针对昇腾芯片做了适配，在昇腾800I A2上实现了单卡1148 tokens每秒的推理吞吐性能。

中英两个版本的技术报告均已发布，相关话题在微博上成了讨论热点。

并且原本发布在国内平台的模型权重，也迅速被第三方搬运到了Hugging Face。

那么，盘古Pro MoE的具体表现究竟怎样呢？

  这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

性能不输32B密集模型

盘古Pro MoE的总参数量为72B，包含64个路由专家和4个共享专家，激活参数量16B，占总参数量的22.2%。

但在中文、英文、数学、代码等一系列测试中，盘古Pro MoE都能和32B的密集模型杀得有来有回。

英文方面，盘古Pro MoE在MMLU-PRO上以82.6分的成绩超越了Qwen3-32B、Gemma3-27B等密集模型，以及同样采用MoE架构的Llama4-Scout 。

以及在阅读理解领域，盘古Pro MoE在DROP测试中获得了91.2分，与当前最优的Qwen3-32B（91.3）基本持平。

中文方面，盘古Pro MoE在知识密集型评测 C-Eval（EM）中以91.1的成绩超越 Qwen3-32B（89.2）等现有百亿参数量级最优模型。

针对中文常识推理任务，盘古Pro MoE在CLUEWSC（EM）基准上取得了94.7分，略胜于Qwen3-32B并明显领先于 Gemma3-27B（91.3）。

此外，盘古Pro MoE还展现出了优异的逻辑推理能力。

例如在代码生成方面， 其在MBPP+（Pass@1）的成绩达到80.2，与 Qwen3-32B（82.0）处于同一性能区间；

数学推理任务中，盘古Pro MoE也以96.8分的成绩在MATH-500测试中超越Qwen3-32B（96.6），前者的CNMO2024基准Pass@1指标70.8同样略胜于后者（70.4）。

特别地，在SuperGPQA等复杂问题解答基准中，盘古Pro MoE取得了54.8分的Pass@1得分，显著优于Qwen3-32B（49.8）等密集模型。

并且在W8A8（权重和激活值均为8bit）量化配置下，盘古Pro MoE的精度几乎没有损失，即便使用W4A8（权重4bit激活值8bit）量化，精度损失仍在可接受范围内。

此外，盘古Pro MoE还展现出来非常高的推理效率。

例如在采用双卡部署策略的昇腾800I A2上，盘古Pro MoE经过W8A8量化配置后， Prefill阶段2K序列长度输入场景下，模型的平均单卡输入吞吐可达每秒4828tokens，相比72B和32B密集模型分别提升了203%和42%。

Decoder阶段（4卡部署，W8A8量化），在大并发场景下，2K序列输入下平均单卡输出吞吐可达每秒1148token，相较72B和32B密集模型吞吐性能分别高出97%和18%。

而之所以能拥有这样的性能和效率，是因为盘古Pro MoE从模型架构到训推设施，都针对昇腾芯片进行了专门优化。

提出MoE模型新架构，高效适配昇腾集群

盘古Pro MoE采用了独创的分组混合专家模型（Mixture of Grouped Experts，MoGE）架构，主要目的是从路由机制上实现跨设备的计算负载均衡。

MoGE的核心思想，是将所有专家均匀地划分为若干组，每组分配到一个具体的设备上，并在路由过程中强制每个token从各组中选择相同数量的专家进行激活。

传统的MoE通常由多个不同的专家网络组成，在运行过程中会通过softmax计算来进行专家的选择，但其中的Top-K路由机制并未对被选中专家的位置进行约束，导致出现专家过于集中的情况，从而导致负载不均衡。

当某些设备上的专家被频繁激活时，这些设备需处理更多的 token，而其他设备则可能处于空闲或低负载的状态，导致系统整体的推理速度被最慢（最繁忙）设备限制，出现计算资源利用效率下降、整体推理时延显著增加的情况。

为此，MoGE创新性地采用了分组均衡路由策略以实现设备间负载均衡，其核心思想是将每个token的激活专家在所有设备之间进行等量分配。

具体来说，MoGE通过两个策略来实现设备间的负载均衡——

• 专家分组（Expert Partitioning）：将所有的N个专家确定性地划分为M个互不重叠的组，每组专家N/M个专家，同一组专家通常被分配到一个特定的计算设备上；

• 分组均衡路由（Group-Balanced Routing）：对于每个输入，路由机制会从每组专家中固定激活K/M个专家，此时每个token激活的专家总数仍为K，但是每个设备上的被激活专家的数量被严格限定。

另外，盘古Pro MoE还引入了均衡辅助损失，以便确保路由模块能够在每一个组内合理地调节专家的负载。

这样的架构，与昇腾NPU的分布式部署方式，形成了有效协同。

除了模型架构之外，盘古Pro MoE的训推设施也针对昇腾集群做了专门适配。

专为昇腾优化的训推设施

训练层面，盘古大模型团队对盘古Ultra MoE中采用的加速技术进行了进一步的优化。

这些优化包括通信开销更小的分层EP All-to-All通信、自适应流水掩盖机制（Adaptive Pipeline Overlap Mechanism）中更细粒度的算子调度和更高效的掩盖， 以及在内存优化策略中新增的细粒度可配置重计算和swap模块。

这些优化策略不仅提高了盘古Ultra MoE的模型算力利用率（MFU），而且也能够适配到盘古Pro MoE，实现了35%的MFU相对提升。

推理过程中涉及的策略就更多了。

首先是分层混合并行，盘古Pro MoE中总参数的95%为稀疏专家模块，注意力模块仅占5%。基于模型结构与昇腾硬件系统的联合优化，盘古团队提出了一种分层混合并行的分布式推理方案，通过消除冗余的计算和通信开销实现最优计算效率。

基于优化后的分层混合并行策略，盘古大模型团队进一步对相关通信操作展开优化，以最小化计算和通信开销。

在并行与通信优化的基础上，团队还通过相邻通信流与计算流之间的流水掩盖，进一步降低了通信延迟。

第二个方面，是量化压缩，具体可以分为专家感知量化和KV缓存量化。

对MoE模型进行量化会因其稀疏且动态的计算模式而带来特殊的问题，于是盘古团队提出了一种专家感知后训练量化方法。

该方法首先采用专家感知的平滑聚合策略来抑制MoE中各专家的激活离群值，然后利用一种路由输出分布一致性校准策略确保量化后专家选择的一致性，最后再用专家级校准数据均衡策略平衡不同专家间的校准数据。

KV缓存压缩对于优化推理基础架构的效率——尤其是在吞吐量、上下文长度和batch size大小可扩展性方面——至关重要，盘古Pro MoE通过KVTuner算法实现了推理效率与模型精度之间的优化平衡。

最后一个方面，是算子融合。

盘古团队提出了基于昇腾硬件优化的融合注意力算子MulAttention，通过大数据包KV传输策略提升内存带宽利用率，实现了4.5倍的端到端注意力加速，并显著提高了硬件利用率。

另外在高并发场景中，分组矩阵乘法（GMM）算子占端到端延迟的 50% 以上，而动态负载进一步影响了计算效率。为此，盘古团队提出了一种针对昇腾平台优化的GMM加速技术——SwiftGMM。

SwiftGMM引入了一种适用于动态计算负载的分块缓存策略，通过历史性能分析数据预测最优分块参数，从而减少因负载不均衡导致的频繁的重新计算开销。

实验表明，SwiftGMM的MTE2利用率最高可达95%，使算子性能接近权重数据传输带宽限制的理论上限。

当然，盘古大模型的背后还有更多的技术细节，感兴趣的话可以到技术报告中一探究竟~

  这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】