2025年5月 序号 功能名称 功能描述 阶段 相关文档 1 数据加工：新增28个算子，更新12个算子，涉及音视频、图片、文本模态 新增28个算子，更新12个算子，涉及音视频、图片、文本模态；支持音频数据清洗 公测 - 2 数据合成及标注：新增COT数据合成与标注、新增音频数据标注 支持COT数据标注，支持音频数据的合成与标注 公测 - 3 模型训练：强化学习DPO指标增强；日志信息增强 新增强化学习DPO评估指标，包括准确率、优选回复分数、拒绝回复分数；增强训练日志中的训练信息、资源信息及 日志分析 公测 - 4 Agent开发：预置工具上新，支持24个预置应用，14个官方插件及10个MCP服务 新增插件市场及MCP服务市场，支持联网搜索、高德地图、12306在内的14个官方插件及10个MCP服务，支持用户开箱即用 公测 - 5 Agent开发插件优化：支持自动解析插件信息，插件信息填写一键完成 通过插件调测功能，自动解析用户插件，填写输入输出信息 公测 - 6 工作流上新：支持15个工作流节点，支持全局配置 新增变量聚合、循环、变量赋能、输入、MCP、Agent节点，优化意图识别；支持全局配置，包括开场白、推荐问、默认模型、记忆变量配置等 公测 -

2025年5月 序号 功能名称 功能描述 阶段 相关文档 1 数据加工：新增28个算子，更新12个算子，涉及音视频、图片、文本模态 新增28个算子，更新12个算子，涉及音视频、图片、文本模态；支持音频数据清洗 公测 - 2 数据合成及标注：新增COT数据合成与标注、新增音频数据标注 支持COT数据标注，支持音频数据的合成与标注 公测 - 3 模型训练：强化学习DPO指标增强；日志信息增强 新增强化学习DPO评估指标，包括准确率、优选回复分数、拒绝回复分数；增强训练日志中的训练信息、资源信息及日志分析 公测 - 4 Agent开发：预置工具上新，支持24个预置应用，14个官方插件及10个MCP服务 新增插件市场及MCP服务市场，支持联网搜索、高德地图、12306在内的14个官方插件及10个MCP服务，支持用户开箱即用 公测 - 5 Agent开发插件优化：支持自动解析插件信息，插件信息填写一键完成 通过插件调测功能，自动解析用户插件，填写输入输出信息 公测 - 6 工作流上新：支持15个工作流节点，支持全局配置 新增变量聚合、循环、变量赋能、输入、MCP、Agent节点，优化意图识别；支持全局配置，包括开场白、推荐问、默认模型、记忆变量配置等 公测 -

预测大模型对资源池的依赖 模型名称 云上部署 边缘部署 ARM+D310P ARM+D310P Pangu-Predict-Cla-TS-2.1.0 支持 支持 Pangu-Predict-Cla-Table-2.0.0 支持 支持 Pangu-Predict-Reg-TS-2.1.0 支持 支持 Pangu-Predict-Reg-Table-2.0.0 支持 支持 Pangu-Predict-Anom-Table-2.0.0 支持 支持

预测大模型支持的平台操作 在选择和使用盘古大模型时，了解不同模型所支持的操作行为至关重要。不同模型在预训练、微调、模型评测、模型压缩、在线推理和体验中心模型调测等方面的支持程度各不相同，开发者应根据自身需求选择合适的模型。以下是盘古预测大模型支持的具体操作： 模型 预训练 微调 模型评测 模型压缩 在线推理 体验中心模型调测 Pangu-Predict-Cla-TS-2.1.0 - √ - - √ - Pangu-Predict-Cla-Table-2.0.0 - √ √ - √ - Pangu-Predict-Reg-TS-2.1.0 - √ - - √ - Pangu-Predict-Reg-Table-2.0.0 - √ √ - √ - Pangu-Predict-Anom-Table-2.0.0 - √ √ - √ -

预测大模型规格 盘古预测大模型是面向结构化数据，通过任务理解、模型推荐、模型融合技术，构建通用的预测能力。 ModelArts Studio大模型开发平台为用户提供了多种规格的预测大模型，以满足不同场景和需求。以下是当前支持的模型清单，您可以根据实际需求选择最合适的模型进行开发和应用。 模型支持区域 模型名称 说明 西南-贵阳一 Pangu-Predict-Cla-TS-2.1.0 版本说明 盘古分类预测大模型分类任务微调工作流，支持时序数据的分类预测，预测目标数据需要是有限的状态类型，数据类型一般是离散枚举类。该版本基于时序预测基模型实现分类预测能力。时序分类预测有很多应用场景，例如：基于工业设备传感器一段时间采集的连续数据，实现设备正常或异常状态的预测。 训练特性 支持基于盘古预训练预测模型的微调。 推理特性 支持在线部署、支持边缘部署。 Pangu-Predict-Cla-Table-2.0.0 版本说明 盘古分类预测大模型分类任务微调工作流，支持表格（非时序）数据的分类预测，预测目标数据需要是有限的状态类型，数据类型一般是离散枚举类。该版本以融合推荐预测模型为底座，实现了分类预测模型的一站式开发工作流。该任务支持特征重要性排序及训练Loss曲线展示。 训练特性 支持微调、提供训练特征重要性。 推理特性 提供分类置信度、支持在线部署、支持边缘部署。 Pangu-Predict-Reg-TS-2.1.0 版本说明 盘古预测大模型回归任务微调工作流，支持时序任务的连续值预测，预测目标数据需要是连续数值，数据类型一般是数值类。该版本基于时序预测基模型实现对未来一组观测值的预测，最多支持256个未来时间点的预测。 训练特性 支持基于盘古预训练预测模型的微调、支持多目标预测。 推理特性 支持在线部署、支持边缘部署。 Pangu-Predict-Reg-Table-2.0.0 版本说明 盘古预测大模型回归任务微调工作流，支持表格（非时序）任务的连续值预测，预测目标数据需要是连续数值，数据类型一般是数值类。该版本以推荐融合预测模型为基础实现了回归预测能力，支持部分场景下的特征重要性及Loss曲线展示。 训练特性 支持微调、提供训练特征重要性。 推理特性 支持在线部署、支持边缘部署。 Pangu-Predict-Anom-Table-2.0.0 版本说明 盘古预测大模型异常检测任务微调工作流，支持表格（非时序）异常检测任务，预测目标是正常类和异常类，该版本基于结构化预测模型的分类能力实现对异常状态和正常状态的分析。 训练特性 支持微调。 推理特性 提供分类置信度、支持在线部署、支持边缘部署。

盘古NLP大模型对资源池的依赖 模型名称 云上部署 边缘部署 ARM+Snt9B3 ARM+Snt9B3 Pangu-NLP-N1-32K-3.1.34 支持 - Pangu-NLP-N1-32K-3.2.36 支持 - Pangu-NLP-N1-128K-3.1.34 支持 - Pangu-NLP-N1-128K-3.2.36 支持 - Pangu-NLP-N2-4K-3.2.35 支持 支持 Pangu-NLP-N2-8K-3.1.39 支持 - Pangu-NLP-N2-32K-3.1.35 支持 支持 Pangu-NLP-N2-128K-3.1.35 支持 - Pangu-NLP-N2-256K-3.1.35 支持 - Pangu-NLP-N2-Reasoner-32K-3.0.0.1 支持 - Pangu-NLP-N2-Reasoner-128K-3.0.1.1 支持 - Pangu-NLP-N4-4K-3.2.36 支持 - Pangu-NLP-N4-4K-2.5.32 支持 - Pangu-NLP-N4-4K-2.5.35 支持 - Pangu-NLP-N4-32K-2.5.32 支持 - Pangu-NLP-N4-32K-2.5.35 支持 - Pangu-NLP-N4-Reasoner-32K-3.0.1.1 支持 - Pangu-RAG-N1-32k 支持 -

盘古NLP大模型规格 盘古NLP大模型是业界首个超千亿参数的中文预训练大模型，结合了大数据预训练和多源知识，借助持续学习不断吸收海量文本数据，持续提升模型性能。除了实现行业知识检索、文案生成、阅读理解等基础功能外，盘古NLP大模型还具备模型调用等高级特性，可在智能客服、创意营销等多个典型场景中，提供强大的AI技术支持。 ModelArts Studio大模型开发平台为用户提供了多种规格的NLP大模型，以满足不同场景和需求。不同模型在处理上下文token长度和功能上有所差异，以下是当前支持的模型清单，您可以根据实际需求选择最合适的模型进行开发和应用。 表1 盘古NLP大模型规格 模型支持区域 模型名称 可处理最大上下文长度 可处理最大输出长度 说明 西南-贵阳一 Pangu-NLP-N1-32K-3.1.34 32K 4K 2024年11月发布的版本，支持8K序列长度训练，4K/32K序列长度推理。全量微调、LoRA微调8个训练单元起训，1个推理单元即可部署，4K支持256并发，32K支持256并发。 Pangu-NLP-N1-32K-3.2.36 32K 4K 2025年1月发布的版本，支持32K序列长度训练，4K/32K序列长度推理。全量微调、LoRA微调8个训练单元起训，1个推理单元即可部署，4K支持256并发，32K支持256并发。 Pangu-NLP-N1-128K-3.1.34 128K 4K 2024年11月发布的版本，仅支持128K序列长度推理，4个推理单元2并发。 Pangu-NLP-N1-128K-3.2.36 128K 4K 2025年1月发布的版本，仅支持128K序列长度推理，4个推理单元8并发。 Pangu-NLP-N2-4K-3.2.35 4K 4K 2025年1月发布的版本，支持4K序列长度训练，4K序列长度推理。全量微调、RFT微调32个训练单元起训，LoRA微调8个训练单元起训，支持混合部署和分离部署，4个推理单元即可部署，支持192并发。此模型版本差异化支持RFT训练、分离部署、边缘部署特性。 Pangu-NLP-N2-8K-3.1.39 8K 4K 2025年3月发布的版本，支持8K序列长度训练，8K序列长度推理。预训练、全量微调、DPO训练支持32个训练单元起训，LoRA微调支持8个训练单元起训，4个推理单元即可部署，支持192并发。 Pangu-NLP-N2-32K-3.1.35 32K 4K 2025年1月发布的版本，支持32K序列长度训练，32K序列长度推理。全量微调32个训练单元起训，LoRA微调8个训练单元起训，支持混合部署和分离部署，4个推理单元即可部署，支持128并发。此模型版本差异化支持分离部署、边缘部署特性。 Pangu-NLP-N2-128K-3.1.35 128K 4K 2024年12月发布的版本，仅支持128K序列长度推理部署，8个推理单元64并发。 Pangu-NLP-N2-256K-3.1.35 256K 4K 2024年12月发布的版本，仅支持256K序列长度推理部署，8个推理单元64并发。 Pangu-NLP-N2-Reasoner-32K-3.0.0.1 32K 4K 2025年3月发布的版本，仅支持32K序列长度推理部署，4个推理单元128并发。 Pangu-NLP-N2-Reasoner-128K-3.0.1.1 128K 4K 2025年5月发布的版本，仅支持128K序列长度推理部署，4个推理单元384并发。 Pangu-NLP-N4-4K-3.2.36 4K 4K 2025年3月发布的版本，支持4K序列长度训练，4K序列长度推理。预训练、全量微调、DPO训练64个训练单元起训，LoRA微调8个训练单元起训，8个推理单元即可部署，支持128并发。 Pangu-NLP-N4-4K-2.5.32 4K 4K 2024年11月发布的版本，支持4K序列长度训练，4K序列长度推理。全量微调64个训练单元起训，LoRA微调32个训练单元起训，8个推理单元即可部署，支持64并发。此模型版本差异化支持预训练、INT8/INT4量化特性。 Pangu-NLP-N4-4K-2.5.35 4K 4K 2025年1月发布的版本，支持4K序列长度训练，4K序列长度推理。全量微调64个训练单元起训，LoRA微调32个训练单元起训，8个推理单元即可部署，支持128并发。此模型版本差异化支持预训练、INT8/INT4量化特性。 Pangu-NLP-N4-32K-2.5.32 32K 4K 2024年11月发布的版本，仅支持32K序列长度推理部署，8个推理单元64并发。 Pangu-NLP-N4-32K-2.5.35 32K 4K 2025年1月发布的版本，仅支持32K序列长度推理部署，8个推理单元128并发。 Pangu-NLP-N4-Reasoner-32K-3.0.1.1 32K 4K 2025年5月发布的版本，仅支持32K序列长度推理部署，4个推理单元104并发。 Pangu-RAG-N1-32K-4.3.2 32K - 2025年4月份发布的版本，支持32K序列长度推理，1个推理单元可部署，最高支持1QPS。该模型是基于盘古NLP大模型微调得到的RAG场景模型，提供对话问答能力。

盘古NLP大模型支持的平台操作 在选择和使用盘古大模型时，了解不同模型所支持的操作行为至关重要。不同模型在预训练、微调、模型评测、在线推理和体验中心模型调测等方面的支持程度各不相同，开发者应根据自身需求选择合适的模型。以下是盘古NLP大模型支持的具体操作： 表2 盘古NLP大模型支持的能力 模型名称 预训练 微调 模型评测 模型压缩 在线推理 体验中心模型调测 Pangu-NLP-N1-32K-3.1.34 - √ √ - √ √ Pangu-NLP-N1-32K-3.2.36 - √ √ √ √ √ Pangu-NLP-N1-128K-3.1.34 - - √ - √ √ Pangu-NLP-N1-128K-3.2.36 - - √ - √ √ Pangu-NLP-N2-4K-3.2.35 √ √ √ √ √ √ Pangu-NLP-N2-8K-3.1.39 √ √ √ √ √ √ Pangu-NLP-N2-32K-3.1.35 √ √ √ √ √ √ Pangu-NLP-N2-128K-3.1.35 - - √ - √ √ Pangu-NLP-N2-256K-3.1.35 - - √ - √ √ Pangu-NLP-N2-Reasoner-32K-3.0.0.1 - - - - √ √ Pangu-NLP-N2-Reasoner-128K-3.0.1.1 - - - - √ √ Pangu-NLP-N4-4K-3.2.36 √ √ √ √ √ √ Pangu-NLP-N4-4K-2.5.32 √ √ √ √ √ √ Pangu-NLP-N4-4K-2.5.35 √ √ √ √ √ √ Pangu-NLP-N4-32K-2.5.32 - - √ - √ √ Pangu-NLP-N4-32K-2.5.35 - - √ - √ √ Pangu-NLP-N4-Reasoner-32K-3.0.1.1 - - - - √ √ Pangu-RAG-N1-32K-4.3.2 - - - - √ -

CV大模型对资源池的依赖 ARM+Snt9B3 310P-vpro/ipro-arm 310P-X86 310P-ARM 310B-ARM Pangu-CV-ObjectDetection-S-2.1.0 √ √ √ - - Pangu-CV-ObjectDetection-N-2.1.0 √ √ - √ - Pangu-CV-ImageClassification-2.1.0 √ √ - √ -

CV大模型支持的平台操作 在选择和使用盘古大模型时，了解不同模型所支持的操作行为至关重要。不同模型在预训练、微调、模型评测、模型压缩、在线推理和边学边用等方面的支持程度各不相同，开发者应根据自身需求选择合适的模型。以下是盘古CV大模型支持的具体操作： 表2 盘古CV大模型支持的操作 模型名称 微调 L0云上部署 L0边缘部署 L2云上部署 L2边缘部署 边用边学 Pangu-CV-ObjectDetection-S-2.1.0 √ - - √ √ - Pangu-CV-ObjectDetection-N-2.1.0 √ - - √ √ - Pangu-CV-ImageClassification-2.1.0 √ √ √ √ √ √ L0部署：L0模型为预置模型，支持直接部署。 L2部署：L2模型为基于预置模型微调后的模型，或经预训练后再次微调得到的模型。即需要微调训练并发布后，才可部署。

CV大模型规格 盘古CV大模型基于海量图像、视频数据和盘古独特技术构筑的视觉基础模型，赋能行业客户利用少量场景数据对模型微调即可实现特定场景任务。 ModelArts Studio大模型开发平台为用户提供了多种规格的CV大模型，如图像分类、目标检测、图像分割、姿态估计等以满足不同场景和需求。以下是当前支持的模型清单，您可以根据实际需求选择最合适的模型进行开发和应用。 表1 盘古CV大模型规格 模型支持区域 模型名称 应用场景 行业 说明 西南-贵阳一 Pangu-CV-ObjectDetection-S-2.1.0 物体检测 通用 小参数量物体检测，使用盘古自有海量数据进行预训练。 Pangu-CV-ObjectDetection-N-2.1.0 物体检测 通用 千万到亿级参数量物体检测，支持模型抽取，使用盘古自有海量数据进行预训练。 Pangu-CV-ImageClassification-2.1.0 图像分类 通用 使用盘古统一预训练基模型底座，添加分类任务头构建图像分类模型。

科学计算大模型支持的平台操作 在选择和使用盘古大模型时，了解不同模型所支持的操作行为至关重要。不同模型在预训练、微调、模型评测、模型压缩、在线推理和体验中心模型调测等方面的支持程度各不相同，开发者应根据自身需求选择合适的模型。以下是盘古科学计算大模型支持的具体操作： 表2 盘古科学计算大模型支持的操作 模型名称 模型版本及时间分辨率 预训练 微调 模型评测 模型压缩 在线推理 体验中心模型调测 Pangu-AI4S-Global-Ocean v1.1.2（时间分辨率：24h） - - - - √ √ Pangu-AI4S-Regional-Ocean v1.1.2（时间分辨率：24h） √ √ - - √ √ Pangu-AI4S-Global-Ecology v1.1.2（时间分辨率：24h） - - - - √ √ Pangu-AI4S-Global-Swell v1.1.2（时间分辨率：24h） - - - - √ √ Pangu-AI4S-Global-Weather v1.1.2（时间分辨率：1h） √ √ - - √ √ Pangu-AI4S-Global-Weather v1.2.2（时间分辨率：3h） √ √ - - √ √ Pangu-AI4S-Global-Weather v1.3.2（时间分辨率：6h） √ √ - - √ √ Pangu-AI4S-Global-Weather v2.1.2（时间分辨率：6h） - - - - √ √ Pangu-AI4S-Global-Weather v1.4.2（时间分辨率：24h） √ √ - - √ √ Pangu-AI4S-Global-Precip v1.1.2（时间分辨率：6h） - - - - √ √ Pangu-AI4S-Regional-Pollution v1.1.2（时间分辨率：1h） √ √ - - √ √

科学计算大模型对资源池的依赖 科学计算的全部模型的训练、在线部署与边缘部署依赖ARM+Snt9B3资源。 模型名称 模型版本及时间分辨率 云上部署 边缘部署 ARM+Snt9B3 ARM+Snt9B3 Pangu-AI4S-Global-Ocean v1.1.2（时间分辨率：24h） 支持 支持 Pangu-AI4S-Regional-Ocean v1.1.2（时间分辨率：24h） 支持 支持 Pangu-AI4S-Global-Ecology v1.1.2（时间分辨率：24h） 支持 支持 Pangu-AI4S-Global-Swell v1.1.2（时间分辨率：24h） 支持 支持 Pangu-AI4S-Global-Weather v1.1.2（时间分辨率：1h） 支持 支持 Pangu-AI4S-Global-Weather v1.2.2（时间分辨率：3h） 支持 支持 Pangu-AI4S-Global-Weather v1.3.2（时间分辨率：6h） 支持 支持 Pangu-AI4S-Global-Weather v2.1.2（时间分辨率：6h） 支持 支持 Pangu-AI4S-Global-Weather v1.4.2（时间分辨率：24h） 支持 支持 Pangu-AI4S-Global-Precip v1.1.2（时间分辨率：6h） 支持 支持 Pangu-AI4S-Regional-Pollution v1.1.2（时间分辨率：1h） 支持 支持

科学计算大模型规格 盘古科学计算大模型面向气象、医药、水务、机械、航天航空等领域，融合了AI数据建模和AI方程求解方法。该模型从海量数据中提取数理规律，利用神经网络编码微分方程，通过AI模型更快速、更精准地解决科学计算问题。 ModelArts Studio大模型开发平台为用户提供了多种规格的科学计算大模型，以满足不同场景和需求。以下是当前支持的模型清单，您可以根据实际需求选择最合适的模型进行开发和应用。 表1 盘古科学计算大模型规格 模型支持区域 模型名称 模型版本及时间分辨率 说明 西南-贵阳一 Pangu-AI4S-Global-Ocean v1.1.2（时间分辨率：24h） 2025年3月发布的版本，用于海洋基础要素预测，可支持1个实例部署推理。 Pangu-AI4S-Regional-Ocean v1.1.2（时间分辨率：24h） 2025年3月发布的版本，用于区域海洋基础要素预测，1个训练单元起训及1个实例部署。 Pangu-AI4S-Global-Ecology v1.1.2（时间分辨率：24h） 2025年3月发布的版本，用于海洋生态要素预测，可支持1个实例部署推理。 Pangu-AI4S-Global-Swell v1.1.2（时间分辨率：24h） 2025年3月发布的版本，用于海浪预测，可支持1个实例部署推理。 Pangu-AI4S-Global-Weather v1.1.2（时间分辨率：1h） 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为1小时，1个训练单元起训及1个实例部署。 Pangu-AI4S-Global-Weather v1.2.2（时间分辨率：1h） 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为3小时，1个训练单元起训及1个实例部署。 Pangu-AI4S-Global-Weather v1.3.2（时间分辨率：6h） 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为6小时，1个训练单元起训及1个实例部署。 Pangu-AI4S-Global-Weather v2.1.2（时间分辨率：6h） 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为6小时，预报准确度更高，1个实例部署。 Pangu-AI4S-Global-Weather v1.4.2（时间分辨率：24h） 2025年3月发布的版本，用于天气基础要素预测，时间分辨率为24小时，1个训练单元起训及1个实例部署。 Pangu-AI4S-Global-Precip v1.1.2（时间分辨率：6h） 2025年3月发布的版本，用于降水预测，支持1个实例部署推理。 Pangu-AI4S-Regional-Pollution v1.1.2（时间分辨率：1h） 2025年3月发布的版本，用于区域污染物基础要素预测，1个训练单元起训及1个实例部署。

盘古NLP行业大模型支持的平台操作 在选择和使用盘古大模型时，了解不同模型所支持的操作行为至关重要。不同模型在预训练、微调、模型评测、在线推理和体验中心模型调测等方面的支持程度各不相同，开发者应根据自身需求选择合适的模型。以下是盘古NLP大模型支持的具体操作： 表2 盘古NLP大模型支持的能力 模型 预训练 微调 模型评测 模型压缩 在线推理 体验中心模型调测 Pangu-Medical-NLP-N2-32K-3.1.35 √ √ √ √ √ √