FlagOS 2.2的重点变化，是从“让模型能在不同芯片上运行”，进一步转向“让算子、编译与优化成果能在不同芯片之间复用”。它把算子库、FlagTree编译优化、自动生成内核及部署工具纳入同一套软件栈。北京智源人工智能研究院称，九大算子库共覆盖1454个算子，较上一版增加890个；在超过1000个算子、10类异构AI硬件的测试范围内，跨芯算子性能提升约27%。这些是项目方报告的结果，不代表每种模型或线上服务都能获得同等幅度的提升。68

从适配芯片，到复用优化

多芯适配解决的是“模型能否在另一种硬件上跑起来”。但不同芯片往往需要各自的算子实现与性能调优，工程工作可能随平台重复。FlagOS 2.2尝试把算子实现与FlagTree编译优化结合起来，让面向新模型积累的优化工作有机会被更多硬件复用。6

智源称，九大算子库目前覆盖1454个算子，比上一版多890个；按这一增量计算，上一版约有564个。FlagGems是其中的算子库之一，采用Triton实现，目标是支持多个后端上的模型推理和训练。126

另有报道提到，FlagGems-SGLang新增40个多芯算子，涉及Attention、Mamba状态更新、混合专家（MoE）、LoRA、采样和量化等功能。不过，现有官方文档与大会报道摘录没有逐项说明这些算子的硬件覆盖范围或验证结果，因此这份清单更适合作为报道所述的功能介绍，而非经独立核实的性能结论。

自动生成内核，也要看验证范围

KernelGen是一套面向Triton内核的自动化开发平台，覆盖算子生成、优化、测试与部署。5智源称，该工具本季度生成了765个算子，其中416个在至少5款国产硬件平台上通过精度验证。6

这不等于765个算子都已完成验证，也不能据此判断通过精度验证的内核是否达到或超过每个平台的原生实现性能。现有报道没有提供足够细节来说明各平台的测试条件和对比基线。

FlagPrism则被文档描述为面向Triton程序的多后端调试与性能分析工具。3智源称其已支持包括昇腾、英伟达在内的五家硬件厂商。6公开材料没有逐一列出完整厂商名单，也未详述各平台的调试和性能分析功能是否一致。

量化与新模型适配：有指标，也有边界

FlagOS-Compressor支持模型权重和检查点转换、量化、校准，以及对生成文件进行验证。智源报告称，Qwen3.5-397B-A17B量化后模型文件缩小49.1%。6但现有报道没有同时给出对应的精度变化或服务速度数据，因此文件体积变小本身，并不能说明模型质量和运行表现的取舍。

智源还称，借助跨硬件框架插件库与FlagOS-Compressor，新模型最多可实现Day-0适配12款硬件平台。6这是项目方报告的能力；现有材料没有说明某次适配具体使用了哪些插件，也没有提供足以复现其耗时的细节。

27%提升不等于服务吞吐普遍提升

智源报告称，在超过1000个算子、10类异构AI硬件的测试范围内，跨芯算子性能提升约27%。6这是算子层面的测试结果，不应直接理解为端到端模型推理或线上服务也会快27%。实际表现还会受到模型、硬件、精度、请求负载和服务配置等因素影响。

在一个服务案例中，《新京报》报道称，GLM-5.3-Flash在昇腾910B上的逻辑服务吞吐达到优化前的2.04倍。现有报道摘录没有交代足够的负载、基线和配置细节，不能据此推断其他部署也能获得相同结果。至于中国电信“星辰4.0-29B-A4B”在10个平台上的表现，现有材料也不足以确认相关结果。

为什么要让存量算力继续发挥作用

大会报道提出，AI模型迭代很快，而算力基础设施需要长期服役。FlagOS的思路，是把面向新模型的算子、编译和系统优化沉淀为可复用能力，再通过统一接口提供给不同芯片。8

智源称，已部署的AI算力中，80%以上来自非最新代际硬件。6这是机构提供的数据，现有来源没有对其进行独立核实。如果这一判断成立，那么通过软件优化让已有硬件继续承载新模型，确实能为算力运营方提供不同于更换设备的选择。68

总的来看，FlagOS 2.2呈现出的方向值得关注：扩大算子覆盖，并尝试把跨芯优化做成可复用的工程能力。1454个算子、约27%的算子性能提升等数据展示了项目进展，但它们仍是特定范围内的报告结果。实际部署是否受益，最终还要用目标模型、硬件和服务负载进行针对性测试。

FlagOS 2.2的重点变化，是从“让模型能在不同芯片上运行”，进一步转向“让算子、编译与优化成果能在不同芯片之间复用”。它把算子库、FlagTree编译优化、自动生成内核及部署工具纳入同一套软件栈。北京智源人工智能研究院称，九大算子库共覆盖1454个算子，较上一版增加890个；在超过1000个算子、10类异构AI硬件的测试范围内，跨芯算子性能提升约27%。这些是项目方报告的结果，不代表每种模型或线上服务都能获得同等幅度的提升。68

从适配芯片，到复用优化

多芯适配解决的是“模型能否在另一种硬件上跑起来”。但不同芯片往往需要各自的算子实现与性能调优，工程工作可能随平台重复。FlagOS 2.2尝试把算子实现与FlagTree编译优化结合起来，让面向新模型积累的优化工作有机会被更多硬件复用。6

智源称，九大算子库目前覆盖1454个算子，比上一版多890个；按这一增量计算，上一版约有564个。FlagGems是其中的算子库之一，采用Triton实现，目标是支持多个后端上的模型推理和训练。126

另有报道提到，FlagGems-SGLang新增40个多芯算子，涉及Attention、Mamba状态更新、混合专家（MoE）、LoRA、采样和量化等功能。不过，现有官方文档与大会报道摘录没有逐项说明这些算子的硬件覆盖范围或验证结果，因此这份清单更适合作为报道所述的功能介绍，而非经独立核实的性能结论。

自动生成内核，也要看验证范围

KernelGen是一套面向Triton内核的自动化开发平台，覆盖算子生成、优化、测试与部署。5智源称，该工具本季度生成了765个算子，其中416个在至少5款国产硬件平台上通过精度验证。6

这不等于765个算子都已完成验证，也不能据此判断通过精度验证的内核是否达到或超过每个平台的原生实现性能。现有报道没有提供足够细节来说明各平台的测试条件和对比基线。

FlagPrism则被文档描述为面向Triton程序的多后端调试与性能分析工具。3智源称其已支持包括昇腾、英伟达在内的五家硬件厂商。6公开材料没有逐一列出完整厂商名单，也未详述各平台的调试和性能分析功能是否一致。

量化与新模型适配：有指标，也有边界

FlagOS-Compressor支持模型权重和检查点转换、量化、校准，以及对生成文件进行验证。智源报告称，Qwen3.5-397B-A17B量化后模型文件缩小49.1%。6但现有报道没有同时给出对应的精度变化或服务速度数据，因此文件体积变小本身，并不能说明模型质量和运行表现的取舍。

智源还称，借助跨硬件框架插件库与FlagOS-Compressor，新模型最多可实现Day-0适配12款硬件平台。6这是项目方报告的能力；现有材料没有说明某次适配具体使用了哪些插件，也没有提供足以复现其耗时的细节。

27%提升不等于服务吞吐普遍提升

智源报告称，在超过1000个算子、10类异构AI硬件的测试范围内，跨芯算子性能提升约27%。6这是算子层面的测试结果，不应直接理解为端到端模型推理或线上服务也会快27%。实际表现还会受到模型、硬件、精度、请求负载和服务配置等因素影响。

在一个服务案例中，《新京报》报道称，GLM-5.3-Flash在昇腾910B上的逻辑服务吞吐达到优化前的2.04倍。现有报道摘录没有交代足够的负载、基线和配置细节，不能据此推断其他部署也能获得相同结果。至于中国电信“星辰4.0-29B-A4B”在10个平台上的表现，现有材料也不足以确认相关结果。

为什么要让存量算力继续发挥作用

大会报道提出，AI模型迭代很快，而算力基础设施需要长期服役。FlagOS的思路，是把面向新模型的算子、编译和系统优化沉淀为可复用能力，再通过统一接口提供给不同芯片。8

智源称，已部署的AI算力中，80%以上来自非最新代际硬件。6这是机构提供的数据，现有来源没有对其进行独立核实。如果这一判断成立，那么通过软件优化让已有硬件继续承载新模型，确实能为算力运营方提供不同于更换设备的选择。68

总的来看，FlagOS 2.2呈现出的方向值得关注：扩大算子覆盖，并尝试把跨芯优化做成可复用的工程能力。1454个算子、约27%的算子性能提升等数据展示了项目进展，但它们仍是特定范围内的报告结果。实际部署是否受益，最终还要用目标模型、硬件和服务负载进行针对性测试。