AnswersPublished16 sources
FlagOS 2.2: Fra chipkompatibilitet til fælles AI-optimering
FlagOS 2.2 går videre end at få modeller til at køre på forskellige chips: Målet er også at genbruge og optimere software på tværs af dem. BAAI rapporterer 1.454 operatorer og omkring 27 % højere ydeevne i tests på tværs af chips, men resultaterne gælder ikke automatisk for alle modeller og arbejdsbelastninger.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- FlagOS 2.2 går videre end at få modeller til at køre på forskellige chips: Målet er også at genbruge og optimere software på tværs af dem.
- BAAI rapporterer 1.454 operatorer og omkring 27 % højere ydeevne i tests på tværs af chips, men resultaterne gælder ikke automatisk for alle modeller og arbejdsbelastninger.
- Værktøjerne omfatter automatisk udvikling af kerner, fejlsøgning og kvantisering; flere konkrete platform og ydelsespåstande mangler dog detaljer eller uafhængig dokumentation.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How does the Beijing Academy of Artificial Intelligence’s FlagOS 2.2, released September 30 and showcased at the October 17, 2026 AI Open Co. Article summary: FlagOS 2.2’s central advance is a shift from making models run on different chips to reusing and optimizing a common software implementation across those chips, combining operator libraries, compilation, kernel generatio. Topic tags: general, documentation, general web, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, cha
FlagOS 2.2 markerer et skifte fra kompatibilitet på tværs af chips til genbrug og optimering på tværs af chips. Softwarestakken samler operatorbiblioteker, compileroptimering, generering af kerner og værktøjer til udrulning. BAAI oplyser, at ni biblioteker tilsammen dækker 1.454 operatorer, og at ydeevnen for operatorer på tværs af chips steg med omkring 27 % i tests med mere end 1.000 operatorer og 10 typer AI-hardware. Det er rapporterede testresultater – ikke dokumentation for, at alle modeller eller tjenester bliver tilsvarende hurtigere. 6
8
Hvad er nyt i FlagOS 2.2?
En softwarestak til flere chiptyper kan gøre det muligt at køre en model på forskellig hardware. Næste udfordring er at genbruge udviklingsarbejdet – for eksempel implementering og optimering af operatorer – på tværs af platformene. FlagOS 2.2 kombinerer operatorimplementeringer med compileroptimering fra FlagTree som led i den tilgang. 6
De ni operatorbiblioteker dækker ifølge BAAI 1.454 operatorer, 890 flere end i den foregående version. FlagGems er ét af bibliotekerne. Det er skrevet i Triton og udviklet til at understøtte inferens og træning på flere backend-platforme. 1
2
6
En sekundær omtale beskriver FlagGems-SGLang som et bibliotek med 40 operatorer på tværs af chips til blandt andet attention, opdatering af Mamba-tilstande, mixture-of-experts, LoRA, sampling og kvantisering. De tilgængelige uddrag fra konferenceomtalen og den officielle dokumentation beskriver ikke uafhængigt operatorernes platformdækning eller validering. Listen bør derfor læses som en rapporteret funktionsbeskrivelse, ikke som et dokumenteret ydelsesresultat.
Automatisk udvikling af kerner og fejlsøgning
KernelGen er en platform til automatisk udvikling af Triton-kerner, som kan generere, optimere, teste og udrulle operatorer på forskellig hardware. 5 Ifølge rapporteringen genererede værktøjet 765 operatorer i løbet af kvartalet. Af dem skulle 416 have bestået nøjagtighedsvalidering på mindst fem kinesiske hardwareplatforme. Det dokumenterer hverken, at alle 765 blev valideret, eller at de validerede kerner matchede eller overgik platformenes oprindelige implementeringer.
6
FlagOS-dokumentationen beskriver FlagPrism som et værktøj til fejlsøgning på flere backends og ydelsesanalyse af Triton-programmer. 3 Ifølge rapporteringen understøtter det fem hardwareleverandører, herunder Nvidia og Huawei Ascend.
6 De tilgængelige kilder opregner ikke alle leverandørerne eller sammenligner værktøjets funktioner til fejlsøgning og profilering i detaljer.
Kvantisering og tilpasning af modeller
FlagOS-Compressor understøtter konvertering af model-checkpoints, vægtkvantisering, kalibrering og validering af de genererede filer. BAAI oplyser, at kvantisering af Qwen3.5-397B-A17B reducerede modellens filstørrelse med 49,1 %. Den citerede rapport angiver ikke tilsvarende målinger af nøjagtighed eller hastighed under brug. Filstørrelsen alene siger derfor ikke, hvad afvejningen er mellem modelkvalitet og ydeevne. 6
Ifølge samme rapport kan en ny model tilpasses op til 12 hardwareplatforme fra dag ét ved hjælp af plugins til frameworks på tværs af hardware og FlagOS-Compressor. 6 Det er en rapporteret mulighed, men kilderne her angiver ikke, hvilke plugins der blev brugt til en bestemt tilpasning, eller nok detaljer til at gentage tidsmålingen.
Sådan skal ydelsestallene læses
BAAI rapporterer omkring 27 % højere ydeevne for operatorer på tværs af chips i et testomfang med mere end 1.000 operatorer og 10 typer heterogen AI-hardware. 6 Resultatet handler om operatorniveauet. Det betyder ikke, at en komplet AI-modeltjeneste nødvendigvis bliver 27 % hurtigere: Det afhænger blandt andet af model, hardware, præcision, arbejdsbelastning og opsætning af tjenesten.
Et eksempel fra drift er GLM-5.3-Flash på Ascend 910B. Ifølge en nyhedsartikel nåede gennemløbet for logisk tjenestekørsel 2,04 gange niveauet før optimering. Uddraget beskriver ikke arbejdsbelastningen og sammenligningsgrundlaget detaljeret nok til, at resultatet kan overføres til andre installationer. Materialet her dokumenterer heller ikke de efterspurgte resultater for China Telecoms Xing4.0-29B-A4B på tværs af 10 platforme.
Hvorfor genbrug af optimering kan være vigtigt
Konferencedækningen peger på en skævhed: AI-modeller udvikler sig hurtigt, mens computerinfrastruktur forventes at være i drift i årevis. FlagOS’ retning beskrives som et forsøg på at gøre modeltilpasset arbejde med operatorer, compilere og systemer til genbrugelige funktioner, der kan leveres på tværs af chips. 8
BAAI hævder også, at mere end 80 % af den udrullede AI-computerkraft bygger på ældre hardwaregenerationer. Det er organisationens egen oplysning, ikke en statistik, der er uafhængigt bekræftet i de tilgængelige kilder. Hvis tallet holder, kan softwareforbedringer, der hjælper eksisterende hardware med at understøtte nyere modeller, give operatører et alternativ til at udskifte udstyr. 6
8
Den praktiske konklusion er lovende, men med forbehold: FlagOS 2.2 rapporterer bredere operatordækning og værktøjer, der skal gøre optimeringsarbejde genbrugeligt på tværs af chips. Tallene er nyttige pejlemærker for projektets fremskridt, men beslutninger om konkret udrulning kræver stadig tests af den enkelte arbejdsbelastning. Rapporteringen validerer ikke uafhængigt alle platforme, modeller og ydelsespåstande.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "FlagOS 2.2: Fra chipkompatibilitet til fælles AI-optimering"?
FlagOS 2.2 går videre end at få modeller til at køre på forskellige chips: Målet er også at genbruge og optimere software på tværs af dem.
What are the key points to validate first?
FlagOS 2.2 går videre end at få modeller til at køre på forskellige chips: Målet er også at genbruge og optimere software på tværs af dem. BAAI rapporterer 1.454 operatorer og omkring 27 % højere ydeevne i tests på tværs af chips, men resultaterne gælder ikke automatisk for alle modeller og arbejdsbelastninger.
What should I do next in practice?
Værktøjerne omfatter automatisk udvikling af kerner, fejlsøgning og kvantisering; flere konkrete platform og ydelsespåstande mangler dog detaljer eller uafhængig dokumentation.