AnswersPublished16 sources
FlagOS 2.2 tähtää yhteiseen optimointiin eri siruilla
FlagOS 2.2:n tavoitteena ei ole vain saada malleja toimimaan eri siruilla, vaan myös jakaa ja optimoida ohjelmistotyötä niiden välillä. Työkalut kattavat muun muassa ydinkoodin generoinnin, virheiden jäljityksen ja kvantisoinnin, mutta kaikkia alusta ja suorituskykyväitteitä ei ole vahvistettu riippumattomasti tai a...
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- FlagOS 2.2:n tavoitteena ei ole vain saada malleja toimimaan eri siruilla, vaan myös jakaa ja optimoida ohjelmistotyötä niiden välillä.
- Työkalut kattavat muun muassa ydinkoodin generoinnin, virheiden jäljityksen ja kvantisoinnin, mutta kaikkia alusta ja suorituskykyväitteitä ei ole vahvistettu riippumattomasti tai avattu riittävästi.
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:n keskeinen muutos on siirtymä eri sirujen yhteensopivuudesta niiden väliseen koodin uudelleenkäyttöön ja optimointiin. Ohjelmistopino kokoaa yhteen laskentaoperaattorien kirjastot, kääntäjän optimoinnin, ydinkoodin generoinnin ja käyttöönoton työkaluja. BAAI kertoo yhdeksän kirjaston kattavan 1 454 operaattoria ja operaattoritason suorituskyvyn parantuneen noin 27 prosenttia testeissä, joissa oli mukana yli 1 000 operaattoria ja 10 erilaista tekoälylaitteistoa. Kyse on julkaistuista tuloksista – ei näytöstä siitä, että jokainen malli tai palvelukuorma nopeutuisi yhtä paljon. 6
8
Mitä FlagOS 2.2:ssa muuttuu?
Ohjelmistopino, joka toimii useilla siruilla, voi auttaa ajamaan mallia erilaisilla laitteistoilla. Seuraava haaste on tehdä myös kehitystyöstä – esimerkiksi operaattorien toteutuksesta ja optimoinnista – uudelleenkäytettävää eri alustoilla. FlagOS 2.2 yhdistää operaattoritoteutuksia FlagTree-kääntäjän optimointiin. 6
Julkaistujen tietojen mukaan yhdeksän operaattorikirjastoa kattaa 1 454 operaattoria, eli 890 enemmän kuin edellisessä versiossa. Yksi kirjastoista, FlagGems, on toteutettu Tritonilla ja suunniteltu tukemaan päättelyä ja mallien koulutusta useilla tausta-alustoilla. 1
2
6
Eräs täydentävä raportti kertoo FlagGems-SGLang-kirjaston sisältävän 40 usean sirun operaattoria. Niiden kerrotaan liittyvän muun muassa attention-mekanismeihin, Mamba-tilan päivityksiin, mixture-of-experts-rakenteisiin, LoRAan, näytteistykseen ja kvantisointiin. Käytettävissä olevat konferenssi- ja virallisen dokumentaation otteet eivät kuitenkaan erittele itsenäisesti operaattorien alustatukea tai validointia. Siksi luetteloa on syytä pitää raportoituna ominaisuuskuvauksena, ei vahvistettuna suorituskykytuloksena.
Ydinkoodin generointi ja virheiden jäljitys
KernelGen on automatisoitu Triton-ydinkoodin kehitysalusta, joka on tarkoitettu operaattorien generointiin, optimointiin, testaamiseen ja käyttöönottoon eri laitteistoilla. 5 Julkaisuraportin mukaan se generoi vuosineljänneksen aikana 765 operaattoria. Näistä 416:n kerrotaan läpäisseen tarkkuusvalidoinnin vähintään viidellä Kiinassa valmistetulla laitteistoalustalla. Tämä ei tarkoita, että kaikki 765 olisi validoitu tai että validoidut ydinkoodit olisivat vastanneet kunkin alustan natiivia toteutusta tai suoriutuneet sitä paremmin.
6
FlagOS-dokumentaatio kuvaa FlagPrismiä Triton-ohjelmien usean tausta-alustan virheenjäljitys- ja suorituskykyanalyysityökaluksi. 3 Julkaisuraportin mukaan se tukee viittä laitevalmistajaa, joihin kuuluvat Nvidia ja Huawei Ascend.
6 Käytettävissä olevissa lähteissä ei kuitenkaan luetella kaikkia valmistajia eikä vertailla yksityiskohtaisesti työkalun virheenjäljitys- ja profilointiominaisuuksia.
Kvantisointi ja mallien mukauttaminen
FlagOS-Compressor tukee tarkistuspisteiden muuntamista, painojen kvantisointia, kalibrointia ja tuotettujen aineistojen validointia. BAAI:n mukaan Qwen3.5-397B-A17B-mallin tiedostokoko pieneni kvantisoinnissa 49,1 prosenttia. Lähteessä ei esitetä vastaavia tarkkuus- tai palvelunopeuden mittauksia, joten pelkän tiedostokoon perusteella ei voi arvioida mallin laadun tai suorituskyvyn mahdollista muutosta. 6
Samassa raportissa kerrotaan, että uuden mallin voi mukauttaa ensimmäisenä julkaisupäivänä enintään 12 laitteistoalustalle eri laitteistoja tukevien kehyslaajennusten ja FlagOS-Compressorin avulla. Kyse on raportoidusta kyvykkyydestä: käytettävissä olevat tiedot eivät kerro, mitkä laajennukset mahdollistivat tietyn mukautuksen, eivätkä ne riitä tuloksen ajoituksen itsenäiseen toistamiseen. 6
Mitä suorituskykyluvut kertovat – ja mitä eivät?
BAAI raportoi noin 27 prosentin parannuksesta sirujen välisessä operaattorisuorituskyvyssä testikokonaisuudessa, johon kuului yli 1 000 operaattoria ja 10 erilaista tekoälylaitteistoa. 6 Tulos koskee operaattoritasoa. Sitä ei pidä tulkita niin, että kokonaisen mallin palvelunopeus paranisi 27 prosenttia kaikissa tilanteissa: siihen vaikuttavat muun muassa malli, laitteisto, tarkkuus, työkuorma ja palvelun asetukset.
Yhtenä palvelukäytön esimerkkinä uutisraportti kertoo, että GLM-5.3-Flashin loogisen palvelun läpimeno Ascend 910B:llä nousi 2,04-kertaiseksi optimointia edeltäneeseen tasoon verrattuna. Lähdeote ei anna riittävästi tietoa työkuormasta tai vertailutasosta, jotta tulosta voisi yleistää muihin käyttöönottoihin. Tässä käytettävissä olevat lähteet eivät myöskään vahvista China Telecomin Xing4.0-29B-A4B-mallin tuloksia kymmenellä alustalla.
Miksi optimointityön uudelleenkäyttö on tärkeää?
Konferenssiraportissa ongelma tiivistyy epäsuhtaan: tekoälymallit kehittyvät nopeasti, mutta laskentainfrastruktuurin odotetaan palvelevan vuosia. FlagOS pyrkii muuttamaan mallikohtaisen operaattori-, kääntäjä- ja järjestelmätyön uudelleenkäytettäviksi kyvykkyyksiksi, joita voidaan hyödyntää eri siruilla. 8
BAAI:n mukaan yli 80 prosenttia käytössä olevasta tekoälylaskennasta perustuu vanhempiin laitesukupolviin. Luku on organisaation oma väite, eikä se ole käytettävissä olevissa lähteissä riippumattomasti vahvistettu tilasto. Jos lähtökohta pitää paikkansa, ohjelmistoparannukset, joiden avulla nykyinen laitteisto voi tukea uudempia malleja, voisivat tarjota vaihtoehdon laitteiston uusimiselle. 6
8
Käytännön viesti on lupaava mutta rajallinen: FlagOS 2.2 raportoi aiempaa laajemman operaattorituen ja työkaluja optimointityön jakamiseen sirujen välillä. Luvut kertovat projektin edistymisestä, mutta käyttöönottoa koskevat päätökset vaativat edelleen omaan työkuormaan perustuvia testejä. Käytettävissä olevat raportit eivät vahvista riippumattomasti jokaista alustaa, mallia tai suorituskykyväitettä.
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 tähtää yhteiseen optimointiin eri siruilla"?
FlagOS 2.2:n tavoitteena ei ole vain saada malleja toimimaan eri siruilla, vaan myös jakaa ja optimoida ohjelmistotyötä niiden välillä.
What are the key points to validate first?
FlagOS 2.2:n tavoitteena ei ole vain saada malleja toimimaan eri siruilla, vaan myös jakaa ja optimoida ohjelmistotyötä niiden välillä. Työkalut kattavat muun muassa ydinkoodin generoinnin, virheiden jäljityksen ja kvantisoinnin, mutta kaikkia alusta ja suorituskykyväitteitä ei ole vahvistettu riippumattomasti tai avattu riittävästi.