答え公開済み16 ソース
FlagOS 2.2が目指す、チップをまたいだAI最適化の共有
FlagOS 2.2は、異なるチップでモデルを動かす段階から、ソフトウェアの実装や最適化をチップ間で再利用する段階を目指す。 算子の自動生成、デバッグ、量子化などの機能を拡充。発表された性能値は特定のテストや条件に基づくもので、個々のモデルや運用環境での効果は別途検証が必要だ。
公開者GPT-6 Luna で編集GPT Image 2 で画像を生成
研究の答え
重要なポイント
- FlagOS 2.2は、異なるチップでモデルを動かす段階から、ソフトウェアの実装や最適化をチップ間で再利用する段階を目指す。
- 算子の自動生成、デバッグ、量子化などの機能を拡充。発表された性能値は特定のテストや条件に基づくもので、個々のモデルや運用環境での効果は別途検証が必要だ。
AI プロンプト
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の大きな方向転換は、複数のチップでモデルを動かす「対応」から、チップをまたいで実装や最適化の成果を再利用することへ進む点にある。算子ライブラリ、コンパイラによる最適化、カーネル生成、デプロイ用ツールを組み合わせたソフトウェア基盤を整える。北京智源人工知能研究院（BAAI）は、9つの算子ライブラリで1,454個の算子をカバーし、1,000を超える算子と10種類のAIハードウェアを対象としたテストで、チップ間の算子性能が約27％向上したと発表している。ただし、これは報告されたテスト結果であり、あらゆるモデルや推論サービスの性能が同じ割合で上がることを示すものではない。6
8
FlagOS 2.2で何が変わるのか
複数チップに対応するソフトウェア基盤があれば、モデルを異なるハードウェアで動かしやすくなる。次に問われるのは、算子の実装や最適化にかけた開発作業を、別のチップでも活用できるかどうかだ。FlagOS 2.2は算子の実装とFlagTreeによるコンパイラ最適化を組み合わせ、この課題に取り組む。6
発表によると、9つの算子ライブラリがカバーする算子は合計1,454個で、前バージョンから890個増えた。ライブラリの一つであるFlagGemsはTritonで実装され、複数のバックエンドで推論や学習を支援することを目的としている。1
2
6
別の報道では、FlagGems-SGLangに、Attention、Mambaの状態更新、Mixture of Experts（MoE）、LoRA、サンプリング、量子化などを扱うマルチチップ対応の算子が40個追加されたという。ただし、確認できる大会報道や公式ドキュメントの抜粋だけでは、各算子の対応ハードウェアや検証内容を個別に確認できない。このため、機能の紹介として受け止め、性能が実証された結果とは区別したい。
カーネル生成とデバッグ
KernelGenは、Tritonカーネルの生成、最適化、テスト、デプロイを自動化する開発プラットフォームだ。5 発表では、四半期中に765個の算子を生成し、そのうち416個が少なくとも5種類の国産ハードウェアで精度検証に合格したとしている。765個すべてが検証済みという意味ではなく、検証に合格したカーネルが各ハードウェアの標準実装と同等、またはそれを上回る性能を示したとも限らない。
6
FlagPrismは、複数のバックエンドに対応するTritonプログラム向けデバッグ・性能分析ツールとして、FlagOSのドキュメントで紹介されている。3 発表によると、NVIDIAやHuawei Ascendを含む5社のハードウェアに対応する。
6 ただし、確認できる資料には、対応する全社の一覧や、デバッグ・プロファイリング機能の詳細な比較までは示されていない。
量子化とモデルの適応
FlagOS-Compressorは、チェックポイントの変換、重みの量子化、キャリブレーション、生成物の検証に対応する。 BAAIは、Qwen3.5-397B-A17Bを量子化した結果、モデルファイルのサイズが49.1％縮小したと発表した。参照できる報道には、それに対応する精度や推論速度の測定値がないため、ファイルサイズの縮小だけで品質や実行性能とのトレードオフを判断することはできない。6
同じ発表では、複数ハードウェア向けのフレームワークプラグインとFlagOS-Compressorを活用し、新しいモデルを最大12種類のハードウェアに「Day 0」で適応できるとしている。これは発表された対応能力だが、個々のモデルの適応にどのプラグインが使われたのか、所要時間を再現するための詳細までは確認できない。6
「約27％向上」は何を示すのか
BAAIは、1,000を超える算子と10種類の異種AIハードウェアを対象としたテストで、チップ間の算子性能が約27％向上したと報告している。6 これは算子単位の結果だ。モデルの推論サービス全体が27％高速化したという意味ではない。実際の結果は、モデル、ハードウェア、精度設定、処理内容、サービス構成などに左右される。
サービスの事例として、ニュース報道は、Ascend 910B上でのGLM-5.3-Flashの論理サービングスループットが、最適化前の2.04倍に達したとしている。 ただし、報道の抜粋からはワークロードや比較基準の詳しい条件を確認できず、ほかの導入環境にそのまま当てはめることはできない。また、China TelecomのXing4.0-29B-A4Bについて、10プラットフォームで得られた結果を裏付ける情報も、ここで確認できる資料には含まれていない。
最適化を共有する意義
大会報道は、AIモデルの進化が速い一方で、計算基盤は長期間使い続ける必要があるという課題を示している。FlagOSが目指すのは、モデルごとに積み重ねてきた算子、コンパイラ、システムの工夫を再利用可能な形にし、異なるチップに提供することだ。8
BAAIは、すでに導入されているAI計算資源の80％超が最新世代ではないとも述べている。これは同機関による主張であり、参照できる資料のなかで独立に検証された統計ではない。もしこの前提が正しければ、既存ハードウェアで新しいモデルを動かすためのソフトウェア改善は、設備を更新する以外の選択肢になり得る。6
8
要点は、期待できる進展と、確かめるべき余地の両方があることだ。FlagOS 2.2は、算子のカバー範囲を広げ、チップ間で最適化の成果を共有するためのツールを整えたと報告している。一方、発表された数値だけで、すべてのプラットフォームやモデル、実運用での性能が保証されるわけではない。導入を判断するには、実際のワークロードに合わせた検証が欠かせない。
Studio Global AI
研究を続けてください
このページにはソースに裏付けされた回答が含まれており、Studio Global 内で続行できます。
人々も尋ねます
「FlagOS 2.2が目指す、チップをまたいだAI最適化の共有」の短い答えは何ですか?
FlagOS 2.2は、異なるチップでモデルを動かす段階から、ソフトウェアの実装や最適化をチップ間で再利用する段階を目指す。
最初に検証する重要なポイントは何ですか?
FlagOS 2.2は、異なるチップでモデルを動かす段階から、ソフトウェアの実装や最適化をチップ間で再利用する段階を目指す。 算子の自動生成、デバッグ、量子化などの機能を拡充。発表された性能値は特定のテストや条件に基づくもので、個々のモデルや運用環境での効果は別途検証が必要だ。