AnswersPublished16 sources
FlagOS 2.2 chce optymalizować kod między różnymi chipami, nie tylko uruchamiać na nich modele
FlagOS 2.2 przesuwa akcent z samego dostosowywania modeli do wspólnego optymalizowania i ponownego wykorzystywania oprogramowania na różnych chipach. Dziewięć bibliotek obejmuje łącznie 1454 operatory, a w testach obejmujących ponad tysiąc operatorów i 10 typów sprzętu odnotowano około 27 procentową poprawę wydajnoś...
Opublikowane przezEdytowane za pomocą GPT-6 LunaObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- FlagOS 2.2 przesuwa akcent z samego dostosowywania modeli do wspólnego optymalizowania i ponownego wykorzystywania oprogramowania na różnych chipach.
- Dziewięć bibliotek obejmuje łącznie 1454 operatory, a w testach obejmujących ponad tysiąc operatorów i 10 typów sprzętu odnotowano około 27 procentową poprawę wydajności operatorów między platformami.
- KernelGen wygenerował w kwartale 765 dodatkowych operatorów; 416 z nich przeszło walidację dokładności na co najmniej pięciu krajowych platformach sprzętowych.
- Wyników dla operatorów nie należy utożsamiać z poprawą szybkości każdej usługi AI — do tego potrzebne są porównywalne testy konkretnych modeli i obciążeń.
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 ma pomóc rozwiązać praktyczny problem: nowe modele AI pojawiają się szybko, ale infrastruktura obliczeniowa składa się z chipów o różnych architekturach i pozostaje w użyciu przez lata. Zamiast ograniczać się do dostosowania modelu tak, by dało się go uruchomić na kolejnej platformie, stos ma ułatwiać ponowne wykorzystanie i optymalizację wspólnego kodu.
Wersję 2.2 Beijing Academy of Artificial Intelligence (BAAI) opublikowała 30 września 2026 r. Jej możliwości zaprezentowano 17 października podczas konferencji poświęconej otwartemu przetwarzaniu AI w Pekinie. 16
Od zgodności do optymalizacji
W podstawowym ujęciu FlagOS to otwarty stos oprogramowania systemowego dla różnych chipów AI. W jego skład wchodzą między innymi biblioteki operatorów — gotowych elementów obliczeniowych wykorzystywanych przez modele — oraz narzędzia do kompilacji, generowania jąder i wdrażania.
FlagOS 2.2 obejmuje dziewięć bibliotek z łączną liczbą 1454 operatorów, czyli o 890 więcej niż w poprzedniej wersji. Raport z konferencji podaje, że w testach obejmujących ponad tysiąc operatorów i 10 typów sprzętu AI wydajność operatorów między platformami wzrosła o około 27 proc. 17 To wynik dotyczący testowanych operatorów, a nie gwarancja takiej samej poprawy w każdej aplikacji czy usłudze działającej na modelu.
Podejście łączy implementacje operatorów z optymalizacją kompilatora FlagTree. Chodzi więc nie tylko o to, by model „ruszył” na innym chipie, lecz także o to, by dopracowane rozwiązania można było wykorzystywać i optymalizować w całym stosie. 12
Automatyczne generowanie i narzędzia dla programistów
Jednym z elementów tego procesu jest KernelGen — platforma do automatycznego tworzenia, optymalizowania, testowania i wdrażania jąder Triton na różnych platformach sprzętowych. 15 Według relacji z konferencji w ciągu kwartału narzędzie wygenerowało 765 dodatkowych operatorów. 416 z nich przeszło walidację dokładności na co najmniej pięciu krajowych platformach sprzętowych.
17
FlagPrism ma ułatwiać debugowanie i analizę wydajności programów Triton działających na wielu backendach. Oficjalna dokumentacja opisuje je jako zestaw narzędzi do debugowania i analizy wydajności, a relacja z konferencji mówi o obsłudze sprzętu pięciu producentów, w tym platform Ascend i Nvidia. 10
17
FlagOS obejmuje również FlagOS-Compressor. Narzędzie może konwertować checkpointy modeli, kwantyzować wagi, kalibrować wyniki i walidować wygenerowane pliki. 9 Według relacji konferencyjnej po kwantyzacji pliki modelu Qwen3.5-397B-A17B były o 49,1 proc. mniejsze.
17
Co wynika z raportowanych wdrożeń — a czego nie
Według wtórnego podsumowania nowy model można było dostosować do nawet 12 platform chipowych w ciągu jednego dnia. To samo źródło podaje, że przepustowość GLM-5.3-Flash na Ascend 910B się podwoiła. 16 Są to konkretne przykłady raportowane dla wybranych platform i wdrożeń, nie uniwersalna obietnica dla każdego modelu. Dostępne informacje nie precyzują wszystkich warunków tych porównań.
Właśnie dlatego liczby dotyczące operatorów warto oddzielać od wyników dla pełnej usługi modelowej. Na rzeczywistą szybkość i koszt wdrożenia wpływają między innymi długość wejścia i odpowiedzi, równoległość obsługi oraz sposób grupowania zapytań. Wniosku o poprawie wydajności całego serwowania nie można wyciągnąć wyłącznie z testu operatorów.
Dlaczego liczy się obsługa różnych generacji sprzętu
Raport z konferencji wskazuje, że ponad 80 proc. wdrożonych zasobów obliczeniowych AI stanowi sprzęt starszych generacji. 17 Jeśli tak jest, optymalizacja wspólnego oprogramowania może pomóc wykorzystać już posiadane chipy także wtedy, gdy pojawiają się nowe modele. W tym ujęciu FlagOS 2.2 stawia na przenoszenie rozwiązań dotyczących operatorów, kompilacji i kwantyzacji między platformami, zamiast zakładać konieczność wymiany sprzętu przy każdej kolejnej generacji modeli.
Najważniejszym kierunkiem rozwoju FlagOS 2.2 jest więc przejście od samej adaptacji modeli do szerszej współpracy i optymalizacji między chipami. Podane wyniki pokazują, jak platforma ma ten cel realizować, ale nie oznaczają, że każda konfiguracja sprzętu i modelu uzyska takie same korzyści.
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 chce optymalizować kod między różnymi chipami, nie tylko uruchamiać na nich modele"?
FlagOS 2.2 przesuwa akcent z samego dostosowywania modeli do wspólnego optymalizowania i ponownego wykorzystywania oprogramowania na różnych chipach.
What are the key points to validate first?
FlagOS 2.2 przesuwa akcent z samego dostosowywania modeli do wspólnego optymalizowania i ponownego wykorzystywania oprogramowania na różnych chipach. Dziewięć bibliotek obejmuje łącznie 1454 operatory, a w testach obejmujących ponad tysiąc operatorów i 10 typów sprzętu odnotowano około 27 procentową poprawę wydajności operatorów między platformami.
What should I do next in practice?
KernelGen wygenerował w kwartale 765 dodatkowych operatorów; 416 z nich przeszło walidację dokładności na co najmniej pięciu krajowych platformach sprzętowych.