--- title: openPangu-Embedded-1B-model canonical_url: "https://www.modelscope.ai/models/openpangu/openPangu-Embedded-1B-model" md_url: "https://www.modelscope.ai/models/openpangu/openPangu-Embedded-1B-model.md" repository: openpangu/openPangu-Embedded-1B-model last_updated: 2026-09-22 model_type: - PanguEmbedded architectures: - PanguEmbeddedForCausalLM parameters: 1.4B tensor_type: - BF16 library_name: - safetensors - pytorch frameworks: - pytorch downloads: 126 stars: 0 --- # openPangu-Embedded-1B-model > openPangu-Embedded-1B-model - An open-source model by openpangu on ModelScope. 开源盘古 Embedded-1B 中文 | English - **Repository**: openpangu/openPangu-Embedded-1B-model - **Parameters**: 1.4B - **Downloads**: 126 - **Stars**: 0 - **Last updated**: 2026-09-22 Source: https://www.modelscope.ai/models/openpangu/openPangu-Embedded-1B-model --- # 开源盘古 Embedded-1B 中文 | [English](README_EN.md) ## 1.简介 openPangu-Embedded-1B 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 在保持端侧运行的要求下达到了较高的精度。 ## 2. 模型架构 openPangu-Embedded-1B 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。 | | openPangu-Embedded-1B | | :---------------------------: | :----------------: | | **Architecture** | Dense | | **Parameters (Non-Embedding)** | 1B | | **Number of Layers** | 26 | | **Hidden Dimension** | 1536 | | **Attention Mechanism** | GQA | | **Number of Attention Heads** | 12 for Q, 6 for KV | | **Vocabulary Size** | 153k | | **Context Length (Natively)** | 32k | | **Training Tokens** | 10T | ## 3. 测评结果 | 评测集 | 测评指标 | 快思考 | |:---: |:---: |:---: | | **通用能力** | | | MMLU | Acc | 60.72 | | CMMLU | Acc | 51.99 | | C-Eval | Acc | 60.98 | | IF-Eval | Prompt Strict | 56.56 | | CLUEWSC | Acc | 68.55 | | **数学&推理** | | | GSM8K | Acc | 66.72 | | MATH-500 | Acc | 52.00 | | DROP | F1 | 50.31 | | **代码能力** | | | MBPP | Pass@1 | 54.09 | | HumanEval | Pass@1 | 56.71 | **注：** 评测过程中system prompt 为空。 ## 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==2.1.0 - 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 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 ``` ### 4.4 使用推理框架 **vllm_ascend：** 参考[[vllm_ascend_for_openpangu_embedded_1b.zh]](inference/vllm_ascend_for_openpangu_embedded_1b.zh.md) **昇腾 Atlas 200I A2推理：** openPangu-Embedded-1B 模型推理已适配昇腾 MindIE 2.2.T10（[[下载链接]](https://support.huawei.com/enterprise/zh/ascend-computing/mindie-pid-261803968/software/266130647?idAbsPath=fixnode01|23710424|251366513|254884019|261408772|261803968)），支持 OrangePi AIpro (昇腾 Atlas 200I A2) 推理部署。届时可前往 [[昇腾社区ModelZoo]](https://gitee.com/ascend/ModelZoo-PyTorch/blob/master/MindIE/LLM/Pangu/openPangu-Embedded-1B-OrangePi/README.md) 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 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-Embedded-1B-model/blob/main/LICENSE) 文件。 ## 6. 免责声明 由于 openPangu-Embedded-1B（“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。
相关论文清单 [Post-Training Quantization of OpenPangu Models for Efficient Deployment on Atlas A2](https://arxiv.org/abs/2512.23367)
[VisionPangu: A Compact and Fine-Grained Multimodal Assistant with 1.7B Parameters](https://arxiv.org/abs/2603.04957)
[Neuromem: A Granular Decomposition of the Streaming Lifecycle in External Memory for LLMs](https://arxiv.org/abs/2602.13967)
[CSSBench: Evaluating the Safety of Lightweight LLMs against Chinese-Specific Adversarial Patterns](https://arxiv.org/abs/2601.00588)
[A-IO: Adaptive Inference Orchestration for Memory-Bound NPUs](https://arxiv.org/abs/2604.09752)
[AGZO: Activation-Guided Zeroth-Order Optimization for LLM Fine-Tuning](https://arxiv.org/abs/2601.17261)
[Combining Adam and its Inverse Counterpart to Enhance Generalization of Deep Learning Optimizers](https://arxiv.org/abs/2603.07122)
[Characterize LSM-tree Compaction Performance via On-Device LLM Inference](https://arxiv.org/abs/2602.12669v1)
[PanguMotion: Continuous Driving Motion Forecasting with Pangu Transformers](https://arxiv.org/abs/2603.16196)
[FMBench: Adaptive Large Language Model Output Formatting](https://arxiv.org/abs/2602.06384)
[Cochain: Balancing Insufficient and Excessive Collaboration in LLM Agent Workflows](https://arxiv.org/abs/2505.10936)
[How Few-shot Demonstrations Affect Prompt-based Defenses Against LLM Jailbreak Attacks](https://arxiv.org/abs/2602.04294)
[Adaptive Confidence Gating in Multi-Agent Collaboration for Efficient and Optimized Code Generation](https://arxiv.org/abs/2601.21469)
[PrunePath: Towards Highly Structured Sparse Language Models](https://arxiv.org/abs/2605.28283)
[Fine-tuning Large Language Model for Automated Algorithm Design](https://arxiv.org/abs/2507.10614)
[From Rigid to Dynamic: Entropy-Guided Adaptive Inference for Long-Context LLMs](https://arxiv.org/pdf/2606.09508)