Ascend NPU
PulseAugur coverage of Ascend NPU — every cluster mentioning Ascend NPU across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
XingChen-AGI 发布支持 256K 上下文的 29B MoE 模型，运行于 Ascend NPU
XingChen-AGI 发布了 Xing4.0-29B-A4B，一个拥有 290 亿参数、每个 token 拥有 40 亿激活参数的语言模型。该模型拥有 256K 的上下文长度，可扩展至 512K，并针对复杂的工程任务进行了优化。它采用了面向智能体的架构，支持多步规划和工具调用，并完全使用 MindSpore 框架在 Ascend NPU 平台上进行训练，实现了显著的训练效率提升。
-
XingChen-AGI 发布 Xing4.0-29B-A4B，支持 256K 上下文长度
XingChen-AGI 发布了 Xing 系列（前身为 TeleChat）的新大型语言模型 Xing4.0-29B-A4B。该模型拥有 290 亿参数，但每个 token 仅激活 40 亿参数，实现了 256K 的原生上下文长度，可扩展至 512K。值得注意的是，该模型完全在 Ascend NPU 平台上使用 MindSpore 框架进行训练，并针对复杂的工程任务进行了优化，采用了面向代理的架构，并与 Ascend 硬件进行了深度协…
-
华为发布openPangu-2.0-Pro，首个在Ascend NPU上训练的5050亿参数模型
华为发布了openPangu-2.0-Pro，一个拥有5050亿参数和512K上下文窗口的大型语言模型。该模型是首个完全在Ascend NPU上训练的前沿模型，标志着减少对NVIDIA硬件依赖方面迈出了重要一步。此次发布包括模型权重、推理代码和技术报告，旨在支持中国本土的计算生态系统。
-
SLAI T-Rex框架优化Ascend SuperPOD上的DeepSeek-V4模型
研究人员开发了SLAI T-Rex框架，用于在Ascend SuperPOD基础设施上优化万亿参数MoE模型的全参数后训练。该系统实现了34.22%的模型FLOPs利用率（MFU），比基线方法提高了2.93倍，同时保持了训练稳定性。该框架随后用于使用10K样本数据集创建专门的运筹学（OR）模型，所得的DeepSeek-V4-Flash模型在OR任务上优于GPT-5.4-Mini和基础DeepSeek-V4-Flash。