--- title: openPangu-7B-Diffusion-Base canonical_url: "https://www.modelscope.ai/models/openpangu/openPangu-7B-Diffusion-Base" md_url: "https://www.modelscope.ai/models/openpangu/openPangu-7B-Diffusion-Base.md" repository: openpangu/openPangu-7B-Diffusion-Base last_updated: 2026-09-22 model_type: - PanguEmbedded architectures: - PanguEmbeddedForCausalLM parameters: 8.0B tensor_type: - F32 library_name: - safetensors - pytorch frameworks: - pytorch downloads: 140 stars: 0 --- # openPangu-7B-Diffusion-Base > openPangu-7B-Diffusion-Base - An open-source model by openpangu on ModelScope. 开源盘古-7B-Diffusion-Base - **Repository**: openpangu/openPangu-7B-Diffusion-Base - **Parameters**: 8.0B - **Downloads**: 140 - **Stars**: 0 - **Last updated**: 2026-09-22 Source: https://www.modelscope.ai/models/openpangu/openPangu-7B-Diffusion-Base --- # 开源盘古-7B-Diffusion-Base 中文 | [English](README_EN.md) ## 1. 简介 openPangu-R-7B-Diffusion 是一种基于扩散机制的新型语言模型，采用了前文因果块扩散（context-causal block diffusion）技术，采用稠密结构，参数量为 7B（不含词表Embedding）。openPangu-R-7B-Diffusion在openPangu-Embedded-7B预训练模型基础上进行续训，依次进行了700B 8k序列长度的预训练，100B 32k序列长度的退火，和10 epoch的10B慢思考SFT。模型训练推理全流程基于昇腾NPU。 - openPangu-7B-Diffusion-Base：预训练模型，上下文长度为8k。 - openPangu-R-7B-Diffusion：慢思考SFT模型，上下文长度为32k。 ### 主要特点： #### 推理 ![Context_Causal_Block_Diffusion_LLM](images/Context_Causal_Block_Diffusion_LLM.png) openPangu-R-7B-Diffusion采用**前文因果块扩散解码**，逐块进行扩散解码。解码过程中块内为全注意力，前文为因果注意力。当块内的token全部完成解码时，将整块token存入前文KV缓存，缓存采用因果注意力掩码，同时解码下一个block的首token。 - 支持变长推理和KV缓存。 - 灵活的上下文长度，不受块长度的限制。 - 支持自回归和块扩散两种解码方式。 - 使用confidence threshold采样，相比标准自回归解码，吞吐量最高可提升2.5倍。 - 类似于Fast dLLMv2在block内设置small block，可实现吞吐和效果的权衡，通常在small block长为4或8时表现最优。 #### 训练 ![alt text](images/image.png) openPangu-R-7B-Diffusion训练时将带掩码语料块与不带掩码的context拼接。对掩码语料块预测掩码部分token，对不带掩码的context部分进行自回归训练。 - 保留与自回归模型相同的前文因果注意力掩码（causal attention mask）形状，快速从自回归模型适配到BlockDiffusion模型。 - BlockDiffusion的块扩散训练，只利用了带掩码的语料块进行训练，无掩码的context部分信息被浪费。得益于前文因果（context-causal）的设计，openPangu-R-7B-Diffusion能够同时对context进行自回归训练，提升训练效率。 - 与全注意力扩散模型相比，每个batch参与训练的token数更稳定，确保长序列训练能够平稳进行。 ![openPangu-7B-Diffusion-Base](images/openPangu-7B-Diffusion-Base.gif) ## 2. 模型架构 | | openPangu-7B-Diffusion-Base | | :----------------------------: | :-------------------------: | | **Architecture** | Dense | | **Parameters (Non-Embedding)** | 7B | | **Number of Layers** | 34 | | **Hidden Dimension** | 12800 | | **Attention Mechanism** | GQA | | **Number of Attention Heads** | 32 for Q，8 for KV | | **Vocabulary Size** | 153k | | **Context Length (Natively)** | 8k | | **Continued training Tokens** | 700B | ## 3. 测评结果 | Benchmark | 测评指标 | LLaDA-8B-Base | LLaDA-MoE-7B-A1B-Base | Dream-v0-Base-7B | openPangu-7B-Diffusion-Base | | :-------: | :---------: | :-----------: | :-------------------: | :--------------: | :-------------------------: | | **通用能力** | | | | | | | MMLU | Acc | 65.90 | 64.59 | 69.50 | **70.09** | | MMLU-Pro | Exact Match | 41.80 | 39.16 | 48.15 | **59.05** | | CEVAL | Acc | 70.50 | 65.56 | 59.18 | **73.03** | | CMMLU | Acc | 69.90 | 65.65 | 60.87 | **77.27** | | BBH | Exact Match | 49.80 | 52.71 | 57.90 | **77.30** | | **数学能力** | | | | | | | GSM8K | Exact Match | 70.70 | 66.41 | 77.79 | **78.77** | | MATH | Exact Match | 27.30 | 36.10 | 39.60 | **46.02** | | **代码能力** | | | | | | | MBPP | Pass@1 | 38.20 | 52.40 | **56.20** | 55.80 | | HumanEval | Pass@1 | 33.50 | 45.73 | **57.90** | 50.00 | | **Avg** | | 51.96 | 54.26 | 60.05 | **65.26** | **注：** 评估结果超参设定 `alg="entropy", num_small_blocks=8` 。尽管 openPangu-7B-Diffusion-Base 的最大长度为 8192 个 token，但通常 512 个 token 就足以用于基准测试。 ## 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](https://www.hiascend.com/hardware/firmware-drivers/community?product=4&model=26&cann=8.2.RC1.alpha003&driver=Ascend+HDK+25.0.RC1)]。 ##### 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]](https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/82RC1alpha002/softwareinst/instg/instg_0001.html?Mode=PmIns&OS=Ubuntu&Software=cannToolKit) - python==3.10 - torch==2.6.0 - torch-npu==2.6.0 - 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 推理样例 下述内容提供 openPangu-7B-Diffusion-Base 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。 ```bash cd inference python generate.py ``` 与基准测试不同，为了实现最佳吞吐量，采样参数应设置为 `alg="confidence_threshold", threshold=0.9, num_small_blocks=1`，并根据设备选择合适的batch size。 ## 5. 模型许可证 除文件中对开源许可证另有约定外，openPangu-7B-Diffusion-Base 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](https://huggingface.co/openpangu/openPangu-7B-Diffusion-Base/blob/main/LICENSE) 文件。 ## 6. 免责声明 由于 openPangu-7B-Diffusion-Base（“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 openPangu@huawei.com。