Pangu-NLP-N1-32K-3.2.36
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N1-32K-3.2.36
盘古N1系列快思考模型版本,支持32K序列长度微调训练和推理。

更偏政企、行业模型和华为云体系内落地,适合看重国产云、行业方案和企业级部署路径的团队。个人体验门槛相对更高,但在行业项目和企业采购里有现实价值。
主分类:多模态模型
适合:行业项目 / 企业采购 / 华为云部署
付费:华为云账号 / 企业采购
地区:中国大陆
接入判断
按原生接口接华为盘古 适合作为官方原生入口,接入前先按文档核对鉴权方式、模型 ID 和计费口径。
协议:官方原生 API
价格:以官方价格页为准
模型:已收录 65 个
官网
huaweicloud.com
/product/pangu
确认品牌主页与官方公告
聊天入口
huaweicloud.com
/ai-assistant/index.html
直接体验官方聊天产品
API 后台
support.huaweicloud.com
/api-pangulm/pangulm_05_0012.html
开 Key、控额度、查账单
官方文档
support.huaweicloud.com
/productdesc-pangulm/pangulm_01_0010.html
看接入方式、模型能力和限制
价格页
support.huaweicloud.com
/price-pangulm/pangulm_02_0003.html
核对计费口径与最新价格
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N1-32K-3.2.36
盘古N1系列快思考模型版本,支持32K序列长度微调训练和推理。
分类:语言模型 / 上下文:0.128K / 调用名:Pangu-NLP-N1-128K-3.2.36
盘古N1系列快思考模型版本,支持128K序列长度推理。
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N2-32K-5.0.3.2
N2快慢思考融合版本,支持模型推理及训练。工具能力进一步加强,RAG幻觉降低。
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N2-32K-5.0.3.1
N2快慢思考合一模型在ModelArts Studio平台上首次支持,支持32K序列长度训练及推理,通过system prompt进行快慢思考推理方式切换。
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N2-32K-5.0.1.1
盘古N2系列快思考模型版本,支持32K序列长度训练和推理。推理性能较V3.1.35版本有提升,模型效果较V3.1.35版本大幅提升。
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N2-32K-3.1.35
Pangu-NLP-N2-32K模型在ModelArts Studio平台上首次支持。
分类:语言模型 / 上下文:0.128K / 调用名:Pangu-NLP-N2-128K-5.0.3.2
N2快慢思考融合版本,支持128K序列长度推理。工具能力进一步加强,RAG幻觉降低。
分类:语言模型 / 上下文:0.128K / 调用名:Pangu-NLP-N2-128K-5.0.3.1
N2快慢思考合一模型在ModelArts Studio平台上首次支持,支持128K序列长度推理,通过system prompt进行快慢思考推理方式切换。
分类:语言模型 / 上下文:0.128K / 调用名:Pangu-NLP-N2-128K-5.0.1.1
2025年6月发布的版本,仅支持32K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。
分类:语言模型 / 上下文:0.004K / 调用名:Pangu-NLP-N4-4K-3.2.36
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。
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N4-32K-2.5.35
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。
分类:语言模型 / 上下文:0.128K / 调用名:Pangu-NLP-N1-Reasoner-128K-3.0.1.1
Pangu-NLP-N1-Reasoner-128K模型在ModelArts Studio平台上首次支持。
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N2-Reasoner-32K-3.0.0.1
较3.0.0.1版本新增支持预训练、全量微调、LoRA微调、GRPO训练特性。
分类:语言模型 / 上下文:0.128K / 调用名:Pangu-NLP-N2-Reasoner-128K-5.0.0.1
较3.0.0.1版本新增支持预训练、全量微调、LoRA微调特性。
分类:语言模型 / 上下文:0.032K / 调用名:Pangu-NLP-N4-Reasoner-32K-3.0.1.2
2025年6月发布的版本,支持32K序列长度训练和推理 。 全量微调96个训练单元起训,LoRA微调64个训练单元起训,8个推理单元104并发。
分类:语言模型 / 上下文:0.128K / 调用名:Pangu-NLP-N4-Reasoner-128K-3.0.1.2
2025年6月发布的版本,仅支持128K序列长度推理部署,16个推理单元32并发。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Weather-v1.1.9-1h
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个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Weather-v1.2.9-3h
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个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Weather-v1.3.9-6h
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个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Weather-v1.4.9-24h
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个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Weather-v1.5.9-1h
2026年4月发布的版本,用于天气基础要素预测的V1版组合模型,仅支持推理,时间分辨率1小时,包含1小时、6小时、24小时分辨率模型。1个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Weather-v2.1.9-6h
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个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Weather-v4.1.9-6h
2025年9月发布的版本,用于天气基础要素预测,相比于旧版本的精度有30%提升,时间分辨率为6小时,仅支持部署,1个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Weather-v4.2.9-1h
2026年4月发布的版本,用于天气基础要素预测的V4版组合模型,仅支持推理,时间分辨率1小时,包含1小时、6小时分辨率模型。1个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Regional-Weather-v1.1.9-1h
2025年9月发布的版本,用于区域中期天气要素预测场景,1个训练单元起训及1个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Precip-v1.1.9-6h
2025年3月发布的版本,用于降水预测,支持1个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Regional-Precip-v1.1.9-1h
2025年9月发布的版本,用于区域降水预测场景,1个训练单元起训及1个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Global-Wind-v1.1.9-1h
2025年12月发布的版本,用于全球新能源风要素预测场景,1个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Regional-Wind-v1.1.9-1h
2025年6月发布的版本,用于区域新能源风要素预测场景,1个训练单元起训及1个推理单元部署。
分类:语言模型 / 上下文:- / 调用名:Pangu-AI4S-Regional-Photovoltaics-v1.1.9-1h
2025年6月发布的版本,用于区域新能源光要素预测场景,1个训练单元起训及1个推理单元部署。
分类:视频生成 / 上下文:- / 调用名:Pangu-MM-M2-Text2Video-1.0.0
2025年4月发布的版本,支持16:9、9:16、1:1、4:3、3:4等5种长宽比、时长5s的视频生成,需要8个推理单元部署。
分类:视频生成 / 上下文:- / 调用名:Pangu-MM-M2-AIGVideo-1.0.0
2025年4月发布的版本,图生视频支持16:9、9:16、1:1、4:3、3:4、原始比例等6种长宽比,时长5s的视频生成,视频续写支持16:9、9:16、1:1、4:3、3:4、原始比例等6种长宽比,续写96帧(24帧率的视频续写约4s),需要8个推理单元部署。
分类:图像生成 / 上下文:- / 调用名:Pangu-MM-M1-Txt2Img-1.0.0
2025年4月发布的版本,支持1024*1024分辨率的图像生成,支持写实、油画、动漫等数十种生成风格,需要8个推理单元部署。
分类:多模态模型 / 上下文:16K / 调用名:Pangu-MM-M2-Img2Txt-16K-V5.0.4.2
2026年2月发布的多模态理解大模型版本。该模型具有百亿级参数量,支持图像理解,支持预训练、微调。
分类:嵌入模型 / 上下文:- / 调用名:Pangu-EmbeddingRank-zh-2.0.3
2024年12月份发布的版本,支持中文文档向量生成,1个推理单元可部署,最高支持6QPS
分类:语言模型 / 上下文:4K / 调用名:Pangu-SearchPlan-ZH_EN-7.1.5.1
2024年12月份发布的版本,支持4K序列长度推理,1个推理单元可部署,最高支持10QPS。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-物体检测-S-V3
物体检测。从高精度、低时延、小目标检测三方面进行定向优化,为业界性价比最优检测模型。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-视觉交互检测-V3
视觉交互检测。盘古计算机视觉交互检测大模型,支持根据视觉提示或者文本提示进行任务目标检测,也可以基于自己场景的数据进行微调。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-目标跟踪-V3
目标跟踪。盘古计算机视觉目标跟踪大模型,盘古计算机视觉目标跟踪大模型,在视频中对感兴趣物体进行检测、提取、识别和跟踪,从而获得目标物体的相关参数。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-万物检测-V2
万物检测。盘古计算机视觉万物检测大模型,能够识别和定位已知类别对象,同时也能处理未知类别对象的模型。具备对未知类别的泛化能力,并在面对新类别时能够做出合理的响应。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-物体检测-S-V2
物体检测。小参数量物体检测,使用盘古自有海量数据进行预训练。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-物体检测-N-V2
物体检测。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。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-图像分类-V2
图像分类。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。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-语义分割-V2
语义分割。使用盘古统一预训练基模型底座,添加分割任务头构建语义分割模型。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-异常检测-V3
异常检测。盘古计算机视觉异常检测大模型,对不符合预期模式或数据集中大多数样本的项目、事件或观测值的异常点进行识别和检测。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-实例分割-V1
实例分割。使用盘古统一预训练基模型底座,添加分类任务头构建语义分割模型。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-万物分割-V2
万物分割。盘古计算机视觉万物分割大模型,能够识别和分割已知类别对象,同时也能处理未知类别对象的模型。具备对未知类别的泛化能力,并在面对新类别时能够做出合理的响应。
分类:多模态模型 / 上下文:- / 调用名:Pangu-CV-开集分类-V3
开集分类。盘古CV开集分类大模型,根据在图像信息中所反映的不同特征,把不同类别识别到的图像处理方法,利用盘古CV技术对图像进行定量分析,为图像分配若干个类别。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Cla-TS-3.0.1
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。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Cla-Table-2.0.2
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。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Cla-Table-2.1.2
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(极简模式)为基础,实现分类预测模型的一站式高效开发。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Cla-Table-3.0.0
盘古分类预测大模型分类任务微调工作流,支持表格数据的分类预测,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。该版本基于统一编码大模型实现分类预测能力。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Reg-TS-3.1.0
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128个未来时间点的预测。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Reg-Table-2.0.2
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。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Reg-Table-2.1.2
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(极简模式)为基础,实现回归预测模型的一站式高效开发。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Reg-Table-3.0.0
盘古回归预测大模型回归任务微调工作流,支持表格数据的回归预测,预测目标数据需要是连续数值,数据类型一般是数值类。该版本基于统一编码大模型实现回归预测能力。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Anom-Table-2.0.2
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。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Anom-TS-3.0.0
盘古预测大模型异常检测任务预训练、微调工作流,支持时序异常检测任务。预训练工作流支持使用设备历史正常数据对时序异常检测大模型进行全量训练,使其更好地学习并重构正常数据的潜在特征分布;微调工作流在盘古预测大模型的基础上引入多种下游适配器,支持基于历史数据的阈值优化或基于标注正异常数据的二分类识别。通过此方式,将原始问题转化为针对特定时间点的二分类任务,判断其状态为正常或异常。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-FewShot-Table-3.0.2
直推预测模型,适用于小型表格预测任务(小于2W条样本),当前版本支持表格数据的回归、分类预测任务。已开放表格回归微调能力。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Reg-ZeroShot-TS-3.0.0
零样本直推时序预测模型,适用于连续数值型时序数据预测,支持分位数预测、多通道建模、类别特征列输入、动态协变量输入。该模型基于预训练基础模型,无需训练即可直接使用,最多可预测1024个未来时间点。当前版本暂不支持模型微调或用户自定义预训练功能。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Anom-TS-3.1.0
基于盘古时序异常检测基模型(V2)实现零样本推理,兼容单变量与多变量时序数据,针对点异常、区间异常、趋势异常、周期异常等常见时序异常场景,提供时间点级异常概率评分。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-StructurePredict-1.1.0
结构化数据预测模型,支持常见的表格数据分类、回归两种任务建模。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Industry-Traffic-V3.0.0
高速交通流预测模型,支持高速车流车速的回归预测任务。支持多站点,多目标,多尺度的车流车速预测任务。
分类:语言模型 / 上下文:- / 调用名:Pangu-Predict-Industry-Demand-V1.0.1
供应链需求预测模型,提供层次化的时序预测能力。
分类:多模态模型 / 上下文:- / 调用名:Pangu-AIKits-ImageSearch-Large-Tagging-1.0.0
2025年5月发布的版本,基于transformer结构,其中Large模型的参数量31M,模型推理使用固定的尺寸,推理速度快,兼具模型效果和推理性能。