AntwortenVeröffentlicht16 Quellen
FlagOS 2.2 setzt auf wiederverwendbare KI-Optimierung über verschiedene Chips hinweg
FlagOS 2.2 will mehr leisten, als Modelle auf unterschiedlichen Chips lauffähig zu machen: Software und Optimierungen sollen plattformübergreifend wiederverwendbar sein. Der gemeldete Werkzeugkasten umfasst Kernel Generierung, Debugging und Quantisierung.
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- FlagOS 2.2 will mehr leisten, als Modelle auf unterschiedlichen Chips lauffähig zu machen: Software und Optimierungen sollen plattformübergreifend wiederverwendbar sein.
- Der gemeldete Werkzeugkasten umfasst Kernel Generierung, Debugging und Quantisierung.
KI-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
Der zentrale Schritt bei FlagOS 2.2 führt von der Kompatibilität zwischen Chips hin zu gemeinsamer Wiederverwendung und Optimierung: Der Software-Stack bündelt Operatorbibliotheken, Compileroptimierung, Kernel-Generierung und Werkzeuge für die Bereitstellung. Nach Angaben der Beijing Academy of Artificial Intelligence (BAAI) umfassen neun Bibliotheken 1.454 Operatoren. In Tests mit mehr als 1.000 Operatoren und zehn Typen von KI-Hardware sei die Leistung chipübergreifend um rund 27 Prozent gestiegen. Das sind berichtete Ergebnisse – kein Beleg dafür, dass jedes Modell oder jede Serving-Arbeitslast im gleichen Maß schneller wird. 6
8
Was sich bei FlagOS 2.2 ändert
Ein Software-Stack für mehrere Chips kann dazu beitragen, dass ein Modell auf unterschiedlicher Hardware läuft. Die nächste Herausforderung: Entwicklungsarbeit – etwa die Implementierung und Optimierung von Operatoren – über diese Plattformen hinweg wiederzuverwenden. FlagOS 2.2 verbindet dafür Operatorimplementierungen mit der Compileroptimierung FlagTree. 6
Die neun Operatorbibliotheken umfassen laut den veröffentlichten Angaben 1.454 Operatoren – 890 mehr als in der Vorgängerversion. Eine davon, FlagGems, ist mit Triton implementiert und soll Inferenz und Training über mehrere Backend-Plattformen hinweg unterstützen. 1
2
6
Ein weiterer Bericht beschreibt FlagGems-SGLang als Bibliothek mit 40 neuen Multi-Chip-Operatoren, unter anderem für Attention, Mamba-Zustandsaktualisierungen, Mixture of Experts, LoRA, Sampling und Quantisierung. Die verfügbaren Konferenz- und offiziellen Dokumentationsauszüge erläutern weder die Plattformabdeckung dieser Operatoren noch deren Validierung unabhängig im Detail. Die Liste ist deshalb als berichtete Funktionsbeschreibung zu verstehen, nicht als bestätigter Leistungsnachweis.
Kernel-Generierung und Debugging
KernelGen ist eine automatisierte Entwicklungsplattform für Triton-Kernels. Sie soll Operatoren für unterschiedliche Hardware erzeugen, optimieren, testen und bereitstellen. 5 Laut Release-Bericht wurden im Quartal 765 Operatoren generiert. Davon hätten 416 auf mindestens fünf inländischen Hardwareplattformen die Genauigkeitsvalidierung bestanden. Daraus folgt weder, dass alle 765 geprüft wurden, noch, dass die validierten Kernels den nativen Implementierungen der jeweiligen Plattformen entsprachen oder sie übertrafen.
6
Die FlagOS-Dokumentation beschreibt FlagPrism als Multi-Backend-Werkzeug zum Debugging und zur Leistungsanalyse von Triton-Programmen. 3 Dem Release-Bericht zufolge unterstützt es fünf Hardwareanbieter, darunter Nvidia und Huawei Ascend.
6 Die hier verfügbaren Materialien führen nicht alle Anbieter auf und bieten keinen detaillierten Funktionsvergleich der Debugging- und Profiling-Möglichkeiten.
Quantisierung und Anpassung von Modellen
FlagOS-Compressor unterstützt die Konvertierung von Checkpoints, die Quantisierung von Gewichten sowie die Kalibrierung und Validierung erzeugter Artefakte. BAAI zufolge verringerte die Quantisierung von Qwen3.5-397B-A17B die Größe der Modelldatei um 49,1 Prozent. Der zitierte Bericht nennt keine dazugehörigen Genauigkeits- oder Serving-Geschwindigkeitsmessungen. Allein aus der kleineren Datei lässt sich daher nicht ableiten, welche Folgen das für Modellqualität oder Laufzeit hat. 6
Laut demselben Bericht kann ein neues Modell mithilfe von Framework-Plugins für unterschiedliche Hardware und FlagOS-Compressor am ersten Tag an bis zu zwölf Hardwareplattformen angepasst werden. 6 Das ist eine berichtete Fähigkeit. Die verfügbaren Materialien nennen jedoch nicht, welche Plugins eine konkrete Anpassung ermöglichten, und enthalten nicht genügend Details, um die angegebene Zeit nachzuvollziehen.
Was die Leistungswerte aussagen
BAAI berichtet von einer um etwa 27 Prozent höheren chipübergreifenden Operatorleistung in einem Testumfang mit mehr als 1.000 Operatoren und zehn Typen heterogener KI-Hardware. 6 Das Ergebnis bezieht sich auf die Ebene einzelner Operatoren. Es bedeutet nicht, dass sich das Serving eines vollständigen Modells ebenfalls um 27 Prozent verbessert. Hier hängt das Ergebnis unter anderem von Modell, Hardware, Genauigkeit, Arbeitslast und Serving-Konfiguration ab.
Als Serving-Beispiel nennt ein Medienbericht den Durchsatz beim Logical Serving von GLM-5.3-Flash auf Ascend 910B: Er habe das 2,04-Fache des Werts vor der Optimierung erreicht. Der verfügbare Quellenauszug enthält nicht genügend Angaben zu Arbeitslast und Vergleichsbasis, um diesen Wert auf andere Installationen zu übertragen. Auch die angefragten Ergebnisse für China Telecoms Xing4.0-29B-A4B auf zehn Plattformen lassen sich mit den hier vorliegenden Belegen nicht bestätigen.
Warum wiederverwendbare Optimierungsarbeit wichtig ist
Die Konferenzberichterstattung beschreibt ein Spannungsfeld: KI-Modelle entwickeln sich schnell weiter, während die Recheninfrastruktur über Jahre genutzt werden soll. FlagOS verfolgt demnach das Ziel, modellbezogene Arbeit an Operatoren, Compilern und Systemen in wiederverwendbare Funktionen zu überführen, die sich auf unterschiedlichen Chips einsetzen lassen. 8
BAAI gibt außerdem an, dass mehr als 80 Prozent der installierten KI-Rechenleistung aus älteren Hardwaregenerationen stammen. Diese Zahl ist eine Aussage der Organisation und in den hier verfügbaren Quellen nicht unabhängig überprüft. Sollte die zugrunde liegende Einschätzung stimmen, könnten Softwareverbesserungen, die vorhandene Hardware für neuere Modelle nutzbar machen, eine Alternative zum Austausch von Geräten bieten. 6
8
Das praktische Fazit ist vielversprechend, aber begrenzt: FlagOS 2.2 meldet eine größere Operatorabdeckung und Werkzeuge, um Optimierungsarbeit über verschiedene Chips hinweg gemeinsam zu nutzen. Die Kennzahlen geben Hinweise auf den Fortschritt des Projekts. Für Entscheidungen im Einsatz sind dennoch Tests mit der konkreten Arbeitslast nötig – und die verfügbaren Berichte bestätigen nicht unabhängig jede Plattform-, Modell- oder Leistungsangabe.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „FlagOS 2.2 setzt auf wiederverwendbare KI-Optimierung über verschiedene Chips hinweg“?
FlagOS 2.2 will mehr leisten, als Modelle auf unterschiedlichen Chips lauffähig zu machen: Software und Optimierungen sollen plattformübergreifend wiederverwendbar sein.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
FlagOS 2.2 will mehr leisten, als Modelle auf unterschiedlichen Chips lauffähig zu machen: Software und Optimierungen sollen plattformübergreifend wiederverwendbar sein. Der gemeldete Werkzeugkasten umfasst Kernel Generierung, Debugging und Quantisierung.