华为盘古718B突围之道：数据优化与Agent能力创新

在最新SuperCLUE中文大模型测评中，华为推出的7180亿参数MoE架构模型openPangu-Ultra-MoE-718B成功跻身前三甲，与DeepSeek-V3.1、Qwen3-235B等开源模型同场较量。这一突破性进展源自团队对传统训练方法的革新——通过数据质量体系优化、三重预训练流程及批判性思维机制的协同发力，跳出了"数据竞赛"的固有模式。 数据构建层面，团队构建了"质量评估-精细筛选-定向强化"的闭环体系。指令数据清洗采用"规则+模型+人工"的三级过滤机制；任务设计通过领域与类型的双重覆盖矩阵，配合智能去重算法；针对模型简单任务过拟合的难题，创新性地量化推理复杂度和抽象度指标，重点提升中高难度任务的训练权重。这套严谨的数据治理方案，显著提升了模型处理复杂问题的能力。 预训练环节创新性地划分为通用知识构建、专业推理强化和退火精炼三个阶段。通用阶段注重基础知识图谱搭建；推理阶段突出数理逻辑与代码能力培养，配套嵌入多步骤推理训练资源；退火阶段通过128K上下文窗口扩展和工具使用数据注入，逐步完善模型的外延能力。这种阶梯式训练架构，使模型在不同领域的能力得到均衡发展。 面对大模型常见的幻觉问题，团队设计了"内生批判"机制。区别于传统基于固定反馈的批判微调，该方案在模型推理过程中植入自检功能，强制生成环节进行逻辑自审。具体表现为：数学任务中核查推演步骤完整性，编程任务中验证语法合规性与功能实现度。测试表明，这项创新使模型输出可靠性提升了45%。 工具调用能力方面，ToolACE框架通过四项核心技术实现跃升：领域工具图谱构建技术建立功能关联网络；交互式轨迹生成采用"先规划后执行"的双阶模式；多代理对话模拟引入突发言语中断等真实交互要素；多维评估体系从响应准确度、状态迁移正确性等维度全面把关，低质量案例自动进入优化循环。经过专项训练，模型在多轮复杂交互中的工具调用准确率达到92%。 后训练环节创新采用"递进式微调-强化学习-智能融合"策略。递进式微调通过动态平衡训练权重，有效防止特定数据偏执；强化学习优化选用改进型GSPO算法，训练稳定性提升近三分之一；模型融合阶段应用智能搜索算法，自动发现最佳组合方案。这一系列创新使openPangu-718B在数学推理、代码生成等六大核心能力评估中全面领先。 从数据治理到训练架构，从幻觉抑制到外延能力，openPangu-718B的成功实践揭示了大模型发展的新范式：真正的竞争力源于对技术细节的精益求精。当业界仍在探讨"规模效应"时，华为通过体系化创新开辟了差异化发展路径，为行业发展提供了新思路。