【先介绍一下——来自GitCode上的Readme】 openPangu-2.0-Flash 是基于昇腾 NPU 训练的大规模混合专家（MoE）语言模型，参数规模约 92B，每 token 激活参数规模约 6B，模型支持 512k 上下文长度，训练数据总量约34T tokens。后训练阶段完成快慢合一微调（SFT）、多专项强化学习（RL），并通过在线蒸馏（OPD）完成能力合一。 【老猫干了件什么事儿】 由于老猫自己PC跑不动92B模型，所以就按着Model Card想比较一下Benchmark分数 【老猫的对比原则】 一定是相同的测试集+相同的测评指标 新老模型都包括，尽量测一个旗舰模型+一个尽量接近100B的模型（尽量可比） 开源&闭源都包含，国内&国外都包含 目前暂时选了头部的几家，不是剩下没放的都不值得比，只是时间&精力有限 【老猫的核心发现】 在openPangu2.0测试过的测试集+标准下（图2-图4） 通用能力上，盘古2.0还是领先的，除了CL-Bench-Acc低于GLM5.1 推理能力上，可比对象均低于盘古2.0 Agent能力上，盘古2.0均低于可比对象[呃R] 但是，细心的朋友会发现…为什么可比对象都是gpt-4o，ds-v2.5，llama3.1，qwen2.5之类的“out of date”模型？老猫一开始也以为我搞得有问题，于是我搜了最近一些的模型的model card做了对比，发现了和 openPangu2.0测的benchmark居然最近的ds-v4，qwen3，kimi-k2.6，minimax-m2.7，gpt5.5，glm5.1等都没在用（图5） 所以，是不是所有的模型都在搞鬼，都在自己搞一个“独有”的测评标准下刷榜呢？于是我把全量Model Card上的所有测评集+口径排了一下，发现…… 大部分openPangu-2.0-Flash没有测试的测评集或多或少都有2-3个模型在测（图6-图8）——我只说Fact，剩下自己想 【老猫后续的关注点】 等一手大佬们用大家“常用”的测试集跑一下结果，看看到底什么成色 等一手后续发布的500+B的满血版，看看Benchmark能什么水平 听说满血版会上小艺claw，指不定我后续会测点什么（现在没想好） PS：下面文件里是原始数据的xlsx做成的PPT，大家自行取用，数据拿codex跑的（如有发现幻觉且影响我上述结论请立即告诉我改正，多谢） #华为 #AI人工智能 #大模型 #盘古 #openPangu2 #小艺 #模型测评 #Benchmark