RespuestasPublicado16 fuentes
FlagOS 2.2 quiere que la optimización de IA viaje entre chips
FlagOS 2.2 busca ir más allá de ejecutar modelos en distintos chips: pretende reutilizar y optimizar software entre plataformas. El conjunto de herramientas incluye generación de kernels, depuración y cuantización; algunas afirmaciones sobre plataformas y cargas concretas no están verificadas de forma independiente...
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- FlagOS 2.2 busca ir más allá de ejecutar modelos en distintos chips: pretende reutilizar y optimizar software entre plataformas.
- El conjunto de herramientas incluye generación de kernels, depuración y cuantización; algunas afirmaciones sobre plataformas y cargas concretas no están verificadas de forma independiente o carecen de datos suficientes.
Prompt de IA
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
La principal novedad de FlagOS 2.2 es un cambio de enfoque: pasar de la compatibilidad entre chips a la reutilización y optimización compartidas. Su pila de software reúne bibliotecas de operadores, optimización de compiladores, generación de kernels y herramientas de despliegue. Según la Academia de Inteligencia Artificial de Pekín (BAAI), el sistema abarca 1.454 operadores en nueve bibliotecas y logró alrededor de un 27 % más de rendimiento en pruebas entre chips, con más de 1.000 operadores y 10 tipos de hardware de IA. Son resultados comunicados por la organización, no una garantía de que todos los modelos o servicios mejoren en la misma proporción. 6
8
De ejecutar en varios chips a reutilizar el trabajo
Una pila de software para distintos chips puede ayudar a que un modelo funcione en más de una plataforma. El reto siguiente es que el trabajo de ingeniería —por ejemplo, implementar y optimizar operadores— también pueda aprovecharse entre ellas. FlagOS 2.2 combina implementaciones de operadores con la optimización del compilador FlagTree como parte de esa estrategia. 6
Las nueve bibliotecas mencionadas suman 1.454 operadores, 890 más que en la versión anterior. FlagGems, una de ellas, está implementada en Triton y se plantea como una biblioteca de operadores para respaldar inferencia y entrenamiento en distintos backends. 1
2
6
Un informe secundario atribuye a FlagGems-SGLang 40 operadores para varios chips, destinados a funciones como atención, actualización de estados de Mamba, mezcla de expertos (MoE), LoRA, muestreo y cuantización. Los extractos disponibles de documentación oficial y cobertura del congreso no detallan por separado en qué plataformas funciona cada operador ni cómo se validó; conviene leer la lista como una descripción de prestaciones comunicada por terceros, no como un resultado de rendimiento verificado.
Generación de kernels y depuración
KernelGen es una plataforma automatizada para desarrollar kernels en Triton: genera, optimiza, prueba y despliega operadores en distintos tipos de hardware. 5 Según el informe de lanzamiento, durante el trimestre generó 765 operadores; de ellos, 416 habrían superado pruebas de precisión en al menos cinco plataformas de hardware nacionales. Esto no significa que los 765 se hayan validado, ni demuestra que los kernels aprobados igualaran o superaran las implementaciones nativas de cada plataforma.
6
La documentación de FlagOS describe FlagPrism como una herramienta para depurar programas Triton y analizar su rendimiento en varios backends. 3 El informe de lanzamiento afirma que ya es compatible con cinco fabricantes de hardware, entre ellos Nvidia y Huawei Ascend.
6 La información disponible no enumera todos los fabricantes ni compara en detalle sus funciones de depuración y análisis.
Cuantización y adaptación de modelos
FlagOS-Compressor permite convertir checkpoints, cuantizar pesos, calibrar resultados y validar los artefactos generados. BAAI afirma que la cuantización de Qwen3.5-397B-A17B redujo el tamaño de sus archivos de modelo un 49,1 %. El informe citado no aporta mediciones correspondientes de precisión o velocidad de servicio: la reducción de tamaño, por sí sola, no permite determinar el efecto sobre la calidad del modelo ni sobre su rendimiento en ejecución. 6
La misma fuente sostiene que, gracias a complementos de framework para distintos tipos de hardware y a FlagOS-Compressor, un modelo nuevo puede adaptarse desde el primer día a hasta 12 plataformas. 6 Es una capacidad comunicada por la organización; la información disponible no especifica qué complementos hicieron posible cada adaptación ni ofrece suficiente detalle para reproducir sus tiempos.
Cómo interpretar las cifras de rendimiento
BAAI informa de una mejora aproximada del 27 % en el rendimiento de operadores entre chips, en pruebas con más de 1.000 operadores y 10 tipos de hardware heterogéneo para IA. 6 Se trata de un resultado a nivel de operador, no de una mejora equivalente en el servicio completo de un modelo. En una implementación real influyen el modelo, el hardware, la precisión numérica, la carga de trabajo y la configuración del servicio.
Como ejemplo de servicio, el diario Beijing News informa que el rendimiento de servicio lógico de GLM-5.3-Flash en Ascend 910B llegó a 2,04 veces su nivel anterior a la optimización. El extracto no ofrece suficientes detalles sobre la carga ni sobre la línea de base para extrapolar el resultado a otros despliegues. La información disponible tampoco permite establecer los resultados solicitados para Xing4.0-29B-A4B, de China Telecom, en 10 plataformas.
Por qué importa reutilizar las optimizaciones
La cobertura del congreso plantea una tensión de fondo: los modelos de IA evolucionan rápido, mientras que la infraestructura de computación debe prestar servicio durante años. La estrategia de FlagOS, tal como se describe allí, consiste en convertir el trabajo específico de operadores, compiladores y sistemas en capacidades reutilizables que puedan llevarse a distintos chips. 8
BAAI también sostiene que más del 80 % de la capacidad de cómputo de IA ya desplegada corresponde a generaciones que no son las más recientes. Esa cifra es una afirmación de la organización, no una estadística verificada de forma independiente en las fuentes disponibles. Si el dato es correcto, las mejoras de software que ayuden al hardware existente a ejecutar modelos nuevos podrían ofrecer una alternativa a sustituir los equipos. 6
8
La conclusión es alentadora, aunque acotada: FlagOS 2.2 comunica una cobertura más amplia de operadores y herramientas para compartir optimizaciones entre chips. Sus cifras sirven como indicadores del avance del proyecto, pero las decisiones de despliegue siguen requiriendo pruebas con cada carga de trabajo. La información publicada no valida de forma independiente todas las plataformas, modelos ni afirmaciones de rendimiento.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "FlagOS 2.2 quiere que la optimización de IA viaje entre chips"?
FlagOS 2.2 busca ir más allá de ejecutar modelos en distintos chips: pretende reutilizar y optimizar software entre plataformas.
¿Cuáles son los puntos clave a validar primero?
FlagOS 2.2 busca ir más allá de ejecutar modelos en distintos chips: pretende reutilizar y optimizar software entre plataformas. El conjunto de herramientas incluye generación de kernels, depuración y cuantización; algunas afirmaciones sobre plataformas y cargas concretas no están verificadas de forma independiente o carecen de datos suficientes.