FlagOS 2.2想推進的方向，可以簡單講成：由「呢款模型可唔可以喺嗰款晶片運行」，進一步做到「寫好一次、跨晶片重用同優化」。北京智源人工智能研究院公布，FlagOS 2.2的九大算子庫合共涵蓋1,454個算子，較上一版多890個；另一份報道列出的數字則由564個增至1,454個。6

智源方面亦表示，在涵蓋逾1,000個算子及10種異構AI硬件的測試範圍內，跨芯算子效能提升約27%。要留意，呢個係算子層面的測試結果，唔代表每個模型、每種部署情境都會有同等幅度的提升。6

由「支援得」到「優化得」

多芯片軟件堆疊首先要令模型可以喺不同硬件運行；但如果每換一款晶片，就要重新做一輪算子實作和調校，工程成果就難以累積。FlagOS 2.2把算子實作同FlagTree編譯器優化結合，目標係令面向新模型所做的工程工作，可以喺不同平台重用。6

九大算子庫合計涵蓋1,454個算子，較上一版增加890個。當中，FlagGems係以Triton編寫的通用算子庫，設計上支援多個後端上的模型推理及訓練。126

另有報道提到，FlagGems-SGLang新增40個多芯片算子，涵蓋Attention、Mamba狀態更新、MoE（混合專家）、LoRA、採樣及量化等功能。不過，現有大會及官方文件摘錄未有逐項說明這些算子的硬件覆蓋範圍或驗證細節；因此，呢份清單應視為報道所述功能，而唔係已獨立核實的效能結果。

自動生成Kernel，亦方便除錯

KernelGen係一套自動化Triton Kernel開發平台，支援生成、優化、測試及部署算子至不同硬件。5發布報道指，KernelGen本季度新增生成765個算子，其中416個據稱已喺至少5款國產硬件平台通過精度驗證。6呢個數字唔代表765個全部通過驗證，亦未能證明已驗證的Kernel一定追平或超越各平台原生實作。

FlagPrism則是面向Triton程式的多後端除錯及效能分析工具。3發布報道稱，它已支援五家硬件廠商，包括英偉達和華為昇騰。6現有資料未有列出完整廠商名單，亦未提供各項除錯、剖析功能的詳細比較。

量化可以慳檔案空間，但代價要另外量度

FlagOS-Compressor支援Checkpoint轉換、權重量化、校準，以及驗證輸出檔案。智源方面表示，Qwen3.5-397B-A17B量化後，模型檔案大小減少49.1%。6不過，相關報道未提供相應的準確度或服務速度數據；單憑檔案縮細，未能判斷模型質素及實際運行表現有冇取捨。

智源亦表示，透過跨硬件框架插件庫及FlagOS-Compressor，新模型最多可做到Day-0適配12款硬件平台。6呢個屬項目方公布的能力；現有資料未交代某次適配實際用了哪些插件，亦未有足夠細節讓外界重現或核對所需時間。

27%唔等於整個服務快27%

約27%的提升，是在逾1,000個算子及10種異構AI硬件的測試範圍內所報告的跨芯算子效能結果。6模型服務的端到端表現，還會受模型、硬件、精度、工作負載及服務設定影響，所以唔應直接將算子測試數字當成整體推理服務的提升幅度。

至於實際服務案例，《新京報》報道指，GLM-5.3-Flash在昇騰910B上的邏輯服務吞吐量，達到優化前的2.04倍。現有報道摘錄欠缺足夠的工作負載及比較基準細節，未足以推論其他部署亦會有相同提升。至於中國電信星辰4.0-29B-A4B在10個平台上的結果，現有資料亦未能證實。

點解跨晶片重用值得關注？

大會報道提到，AI模型更迭快，但算力基礎設施需要服務多年；FlagOS希望把算子、編譯器及系統層面的工程成果，沉澱成可跨晶片重用的能力。8如果每次新模型推出，都可以透過軟件優化令現有硬件繼續支援新需求，營運方就多一條路徑，不必只靠更換設備應對模型升級。

智源亦稱，已部署的AI算力中，超過八成來自非最新一代硬件。呢個比例屬機構公布的說法，現有資料未有獨立核實。68如果呢個前提成立，令舊一代硬件繼續跑新模型，可能有助延長既有設備的使用價值。

整體而言，FlagOS 2.2展示的是一條值得觀察的方向：把跨晶片適配，進一步推向跨晶片共用優化。算子覆蓋及工具鏈的公布數字反映項目進展，但落到實際部署，仍要按指定模型、硬件和服務負載逐項測試；現有報道亦未能獨立驗證每項平台、模型及效能聲稱。

FlagOS 2.2想推進的方向，可以簡單講成：由「呢款模型可唔可以喺嗰款晶片運行」，進一步做到「寫好一次、跨晶片重用同優化」。北京智源人工智能研究院公布，FlagOS 2.2的九大算子庫合共涵蓋1,454個算子，較上一版多890個；另一份報道列出的數字則由564個增至1,454個。6

智源方面亦表示，在涵蓋逾1,000個算子及10種異構AI硬件的測試範圍內，跨芯算子效能提升約27%。要留意，呢個係算子層面的測試結果，唔代表每個模型、每種部署情境都會有同等幅度的提升。6

由「支援得」到「優化得」

多芯片軟件堆疊首先要令模型可以喺不同硬件運行；但如果每換一款晶片，就要重新做一輪算子實作和調校，工程成果就難以累積。FlagOS 2.2把算子實作同FlagTree編譯器優化結合，目標係令面向新模型所做的工程工作，可以喺不同平台重用。6

九大算子庫合計涵蓋1,454個算子，較上一版增加890個。當中，FlagGems係以Triton編寫的通用算子庫，設計上支援多個後端上的模型推理及訓練。126

另有報道提到，FlagGems-SGLang新增40個多芯片算子，涵蓋Attention、Mamba狀態更新、MoE（混合專家）、LoRA、採樣及量化等功能。不過，現有大會及官方文件摘錄未有逐項說明這些算子的硬件覆蓋範圍或驗證細節；因此，呢份清單應視為報道所述功能，而唔係已獨立核實的效能結果。

自動生成Kernel，亦方便除錯

KernelGen係一套自動化Triton Kernel開發平台，支援生成、優化、測試及部署算子至不同硬件。5發布報道指，KernelGen本季度新增生成765個算子，其中416個據稱已喺至少5款國產硬件平台通過精度驗證。6呢個數字唔代表765個全部通過驗證，亦未能證明已驗證的Kernel一定追平或超越各平台原生實作。

FlagPrism則是面向Triton程式的多後端除錯及效能分析工具。3發布報道稱，它已支援五家硬件廠商，包括英偉達和華為昇騰。6現有資料未有列出完整廠商名單，亦未提供各項除錯、剖析功能的詳細比較。

量化可以慳檔案空間，但代價要另外量度

FlagOS-Compressor支援Checkpoint轉換、權重量化、校準，以及驗證輸出檔案。智源方面表示，Qwen3.5-397B-A17B量化後，模型檔案大小減少49.1%。6不過，相關報道未提供相應的準確度或服務速度數據；單憑檔案縮細，未能判斷模型質素及實際運行表現有冇取捨。

智源亦表示，透過跨硬件框架插件庫及FlagOS-Compressor，新模型最多可做到Day-0適配12款硬件平台。6呢個屬項目方公布的能力；現有資料未交代某次適配實際用了哪些插件，亦未有足夠細節讓外界重現或核對所需時間。

27%唔等於整個服務快27%

約27%的提升，是在逾1,000個算子及10種異構AI硬件的測試範圍內所報告的跨芯算子效能結果。6模型服務的端到端表現，還會受模型、硬件、精度、工作負載及服務設定影響，所以唔應直接將算子測試數字當成整體推理服務的提升幅度。

至於實際服務案例，《新京報》報道指，GLM-5.3-Flash在昇騰910B上的邏輯服務吞吐量，達到優化前的2.04倍。現有報道摘錄欠缺足夠的工作負載及比較基準細節，未足以推論其他部署亦會有相同提升。至於中國電信星辰4.0-29B-A4B在10個平台上的結果，現有資料亦未能證實。

點解跨晶片重用值得關注？

大會報道提到，AI模型更迭快，但算力基礎設施需要服務多年；FlagOS希望把算子、編譯器及系統層面的工程成果，沉澱成可跨晶片重用的能力。8如果每次新模型推出，都可以透過軟件優化令現有硬件繼續支援新需求，營運方就多一條路徑，不必只靠更換設備應對模型升級。

智源亦稱，已部署的AI算力中，超過八成來自非最新一代硬件。呢個比例屬機構公布的說法，現有資料未有獨立核實。68如果呢個前提成立，令舊一代硬件繼續跑新模型，可能有助延長既有設備的使用價值。

整體而言，FlagOS 2.2展示的是一條值得觀察的方向：把跨晶片適配，進一步推向跨晶片共用優化。算子覆蓋及工具鏈的公布數字反映項目進展，但落到實際部署，仍要按指定模型、硬件和服務負載逐項測試；現有報道亦未能獨立驗證每項平台、模型及效能聲稱。