RespostasPublicado16 fontes
FlagOS 2.2 vai além da compatibilidade e busca otimizar IA entre diferentes chips
O FlagOS 2.2 busca ir além de fazer modelos rodarem em diferentes chips: a proposta é reaproveitar e otimizar software entre plataformas. A BAAI relata ganhos em operadores e ferramentas para geração de kernels, depuração e quantização; algumas alegações específicas ainda têm validação ou detalhes limitados.
Publicado porEditado com GPT-6 LunaImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O FlagOS 2.2 busca ir além de fazer modelos rodarem em diferentes chips: a proposta é reaproveitar e otimizar software entre plataformas.
- A BAAI relata ganhos em operadores e ferramentas para geração de kernels, depuração e quantização; algumas alegações específicas ainda têm validação ou detalhes limitados.
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
A principal mudança do FlagOS 2.2 é sair da compatibilidade entre chips e avançar para o reaproveitamento e a otimização entre plataformas. A pilha de software reúne bibliotecas de operadores, otimização de compilador, geração de kernels e ferramentas de implantação. A BAAI informa que nove bibliotecas cobrem 1.454 operadores e relata um aumento de cerca de 27% no desempenho de operadores entre chips, em testes com mais de 1.000 operadores e 10 tipos de hardware de IA. São resultados divulgados pela organização — não uma garantia de que todo modelo ou serviço terá o mesmo ganho. 6
8
O que muda no FlagOS 2.2
Uma pilha de software compatível com vários chips pode ajudar um modelo a funcionar em diferentes hardwares. O passo seguinte é permitir que o trabalho de engenharia — como implementar e otimizar operadores — possa ser reaproveitado nessas plataformas. O FlagOS 2.2 combina implementações de operadores com a otimização de compilador do FlagTree como parte dessa abordagem. 6
As nove bibliotecas de operadores cobrem, segundo a BAAI, 1.454 operadores: 890 a mais que na versão anterior. Uma delas, a FlagGems, é implementada em Triton e foi projetada para oferecer suporte a inferência e treinamento em diferentes backends — isto é, plataformas de hardware e software usadas para executar os modelos. 1
2
6
Uma reportagem secundária descreve a FlagGems-SGLang como uma biblioteca que adiciona 40 operadores para múltiplos chips, voltados a funções como atenção, atualização de estado do Mamba, mistura de especialistas (MoE), LoRA, amostragem e quantização. Os trechos de documentação oficial e de cobertura do evento disponíveis não detalham de forma independente a compatibilidade dessas operações nem sua validação. Portanto, essa lista deve ser entendida como uma descrição de funcionalidades reportadas, não como comprovação de desempenho.
Geração de kernels e depuração
O KernelGen é uma plataforma automatizada para desenvolver kernels em Triton: gerar, otimizar, testar e implantar operadores em diferentes hardwares. 5 Segundo a cobertura do lançamento, a ferramenta gerou 765 operadores no trimestre; desses, 416 teriam passado por validação de precisão em pelo menos cinco plataformas de hardware chinesas. Isso não significa que todos os 765 foram validados, nem demonstra que os kernels aprovados igualaram ou superaram as implementações nativas de cada plataforma.
6
A documentação do FlagOS apresenta o FlagPrism como um conjunto de ferramentas para depuração e análise de desempenho de programas Triton em vários backends. 3 A cobertura do lançamento afirma que a ferramenta dá suporte a cinco fabricantes de hardware, entre eles Nvidia e Huawei Ascend.
6 O material disponível não lista todos os fabricantes nem permite comparar em detalhe cada recurso de depuração e análise de desempenho.
Quantização e adaptação de modelos
O FlagOS-Compressor oferece conversão de checkpoints, quantização de pesos, calibração e validação dos arquivos gerados. A BAAI afirma que a quantização do Qwen3.5-397B-A17B reduziu em 49,1% o tamanho dos arquivos do modelo. O relato citado não traz medições correspondentes de precisão ou velocidade de inferência; a redução no tamanho, por si só, não revela o impacto na qualidade do modelo nem no desempenho durante a execução. 6
A mesma cobertura diz que um modelo novo pode ser adaptado desde o primeiro dia a até 12 plataformas de hardware, com apoio de plugins de framework para diferentes chips e do FlagOS-Compressor. 6 Trata-se de uma capacidade reportada: o material disponível não especifica quais plugins foram usados em cada adaptação nem apresenta detalhes suficientes para reproduzir o prazo.
Como interpretar os números de desempenho
A BAAI relata cerca de 27% de ganho no desempenho de operadores entre chips, em um escopo de testes com mais de 1.000 operadores e 10 tipos de hardware heterogêneo de IA. 6 Esse resultado é medido no nível dos operadores. Não deve ser interpretado como uma melhora de 27% em serviços completos de modelos, cujo desempenho depende do modelo, do hardware, da precisão numérica, da carga de trabalho e da configuração de execução.
Como exemplo de serviço, uma reportagem afirma que a vazão de atendimento lógico do GLM-5.3-Flash no Ascend 910B chegou a 2,04 vezes o nível anterior à otimização. O trecho disponível não fornece detalhes suficientes sobre a carga de trabalho e a linha de base para generalizar esse resultado a outras implantações. As fontes reunidas aqui também não comprovam os resultados solicitados para o Xing4.0-29B-A4B da China Telecom em 10 plataformas.
Por que reaproveitar otimizações pode importar
A cobertura da conferência destaca uma tensão: os modelos de IA evoluem rapidamente, mas a infraestrutura de computação precisa permanecer em serviço por anos. Nesse cenário, a direção proposta pelo FlagOS é transformar o trabalho específico de cada modelo — em operadores, compiladores e sistemas — em recursos que possam ser reutilizados em diferentes chips. 8
A BAAI também afirma que mais de 80% da capacidade de computação de IA já implantada vem de gerações anteriores de hardware. Esse número é uma alegação da organização, não uma estatística verificada de forma independente pelas fontes disponíveis. Se a premissa estiver correta, melhorias de software que ajudem equipamentos existentes a executar modelos mais novos podem oferecer uma alternativa à substituição do hardware. 6
8
Em resumo, o FlagOS 2.2 apresenta uma proposta promissora, mas com limites claros: ampliar a cobertura de operadores e criar ferramentas para compartilhar otimizações entre chips. Os números divulgados indicam o progresso do projeto, mas decisões de implantação ainda exigem testes com cada modelo e carga de trabalho. A cobertura disponível não valida de forma independente todas as alegações de compatibilidade e desempenho.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "FlagOS 2.2 vai além da compatibilidade e busca otimizar IA entre diferentes chips"?
O FlagOS 2.2 busca ir além de fazer modelos rodarem em diferentes chips: a proposta é reaproveitar e otimizar software entre plataformas.
Quais são os pontos-chave para validar primeiro?
O FlagOS 2.2 busca ir além de fazer modelos rodarem em diferentes chips: a proposta é reaproveitar e otimizar software entre plataformas. A BAAI relata ganhos em operadores e ferramentas para geração de kernels, depuração e quantização; algumas alegações específicas ainda têm validação ou detalhes limitados.