openPangu-Embedded-1B-V1.1

开源盘古 Embedded-1B-V1.1

中文 | English

1.简介

openPangu-Embedded-1B-V1.1 是基于昇腾 NPU 从零训练的高效语言模型，参数量为 1B（不含词表Embedding），模型结构采用 26 层 Dense 架构，训练了约 10T tokens。通过昇腾 Atlas 200I A2可用的模型架构设计、数据和训练策略优化，openPangu-Embedded-1B-V1.1 在保持端侧运行的要求下达到了较高的精度。和V1版本相比，openPangu-Embedded-1B-V1.1在后训练阶段进一步做了离线On-policy蒸馏和多源奖励强化学习，以增强数学、代码以及通用能力。

更多细节，请参考技术报告。

2. 模型架构

openPangu-Embedded-1B-V1.1 是一个为端侧设备运行而设计的高效快思考语言模型，支持昇腾 Atlas 200I A2。

3. 测评结果

注： 评测过程中system prompt 为空。评测细节详见技术报告。

4. 部署和使用

4.1 环境准备

硬件规格

Atlas 800T A2 (64GB)，驱动与固件安装包获取请参照 [Atlas 800T A2]。

软件环境

• 操作系统：Linux（推荐 openEuler>=24.03）
• CANN==8.1.RC1，安装准备及流程请参照 [CANN Install]
• python==3.10
• torch==2.1.0
• torch-npu==2.1.0.post12
• transformers==4.53.2

以上软件配套经过验证，理论可以支持更高版本，如有疑问，可以提交 issue。

4.2 权重完整性校验

请参考以下方法对下载内容进行完整性校验，hash 值存储在 checklist.chk 文件中。

#!/usr/bin/env bash
ARCH=$(uname -m)
MODEL_PATH="${TARGET_FOLDER}/${MODEL_FOLDER_PATH}"
cd "$MODEL_PATH" || exit 1
if [ "$ARCH" = "arm64" ]; then
    sha256sum checklist.chk
else
    sha256sum -c checklist.chk
fi

4.3 推理样例

下述内容提供 openPangu-Embedded-1B-V1.1 在 transformers 框架上进行推理的一个简单示例：

运行前请修改 generate.py，添加模型路径。

cd inference
python generate.py

4.4 使用推理框架

vllm_ascend： 参考[vllm_ascend_for_openpangu_embedded_1b.zh]

昇腾 Atlas 200I A2推理： openPangu-Embedded-1B-V1.1 模型推理已适配昇腾 MindIE 2.2.T10（[下载链接]），支持 OrangePi AIpro (昇腾 Atlas 200I A2) 推理部署。届时可前往 [昇腾社区ModelZoo] 下载适配，下载镜像前需要申请权限，耐心等待权限申请通过后，根据指南下载对应版本文件和安装指导完成推理部署。

5. 模型许可证

除文件中对开源许可证另有约定外，openPangu-Embedded-1B-V1.1 模型根据 OPENPANGU MODEL LICENSE AGREEMENT VERSION 1.0 授权，旨在允许使用并促进人工智能技术的进一步发展。有关详细信息，请参阅模型存储库根目录中的 LICENSE 文件。

6. 免责声明

由于 openPangu-Embedded-1B-V1.1（“模型”）所依赖的技术固有的技术限制，以及人工智能生成的内容是由盘古自动生成的，华为无法对以下事项做出任何保证：

• 尽管该模型的输出由 AI 算法生成，但不能排除某些信息可能存在缺陷、不合理或引起不适的可能性，生成的内容不代表华为的态度或立场；
• 无法保证该模型 100% 准确、可靠、功能齐全、及时、安全、无错误、不间断、持续稳定或无任何故障；
• 该模型的输出内容不构成任何建议或决策，也不保证生成的内容的真实性、完整性、准确性、及时性、合法性、功能性或实用性。生成的内容不能替代医疗、法律等领域的专业人士回答您的问题。生成的内容仅供参考，不代表华为的任何态度、立场或观点。您需要根据实际情况做出独立判断，华为不承担任何责任。

7. 反馈

如果有任何意见和建议，请提交issue或联系 [email protected]。

<details> <summary>相关论文清单</summary>

Silent Inconsistency in Data-Parallel Full Fine-Tuning: Diagnosing Worker-Level Optimization Misalignment <br> AdapShot: Adaptive Many-Shot In-Context Learning with Semantic-Aware KV Cache Reuse <br> Probe and Skip: Self-Predictive Token Skipping for Efficient Long-Context LLM Inference <br>

</details>