在當前大模型競爭激烈的背景下，華為最新發布的 openPangu-Embedded-7B-v1.1 為業界帶來突破性進展。這款參數規模僅70億的開源模型，首次實現了快思考與慢思考模式的自由切換，既能應對簡單任務的高效回應，又能處理複雜問題的深度推理，填補了開源模型在此能力上的空白。
長期以來，大模型在推理時往往需在「快」與「慢」間二選一：簡單任務若採慢思考會冗長低效，複雜任務若用快思考則精度不足。openPangu-Embedded-7B-v1.1 引入全新快慢思考自適應機制，既可手動切換，也能依問題難度自動選擇模式。簡單題它快速給答，複雜題則循序推理，達到效率與準確率兼得的效果。
實驗結果顯示，在中文綜合知識測試集 CMMLU 上，新模型在保持精度不變的情況下，平均思維鏈長度縮短近 50%，大幅提升回應效率。同時，在數學挑戰與程式碼測試中，模型在慢思考模式下的精度與此前版本相當，確保了嚴謹的推理能力。
像人一樣進階學習
華為盤古團隊並未沿用傳統「填鴨式」訓練，而是採用漸進式微調策略（Iterative Distillation）。模型在每一輪學習中僅挑選難度適中的樣本訓練，保持持續挑戰又不至於超出能力範圍。每次迭代後，不同版本參數透過融合保留已學知識，再逐步挑戰更高難度數據，形成良性循環。
這一策略讓模型不再被動接受資料，而是像學習者般「階梯式」進步。實驗表明，這種方法顯著提升了模型的穩定性與泛化能力。
在訓練方法上，團隊設計了兩個階段：第一階段，透過在訓練數據中加入快/慢標識符號，讓模型學會在明確指令下切換思維方式，猶如安裝上「手動變速箱」。
第二階段，則進一步取消外部提示，要求模型依題目難度自行決策。研究團隊利用「優中選優」的數據生成方法，讓模型從不同解答中挑出最佳方案並以此自我微調，最終學會了自動判斷何時快答、何時慢推。這使得模型如同擁有「自動變速箱」，在無需人為干預下可靈活選擇推理模式。
1B 模型表現亮眼
除7B升級外，華為還同步推出openPangu-Embedded-1B 輕量級模型，專為邊緣AI部署優化。這款僅10億參數的模型，透過昇騰硬體架構優化與多階段訓練策略，在多項權威評測中表現超越同級，甚至追平更大模型 Qwen3-1.7B，展現出極高的參數性能比。
這意味著在資源受限的場景中，國產小模型也能提供媲美大模型的效果，為邊緣計算與行業應用帶來更多可能性。
openPangu-Embedded-7B-v1.1 的發布，不僅提升了推理效率，也展現了國產大模型在技術路線上的創新能力。它突破了開源模型快慢思考不可兼得的瓶頸，在精度保持的同時大幅縮短推理步驟，兼顧應用效率與可控性。
業界觀察人士認為，具備快慢思考自適應能力的模型，將在教育、科研、金融與邊緣運算等場景中釋放巨大潛力。對華為而言，這不僅是技術層面的迭代，更是盤古系列在全球開源大模型格局中的戰略性突破。 （編輯部）
下載APP