智源FlagOS2.2发布，算子库超1450个，跨芯性能提升27%，国产AI软件栈迈向持续优化阶段

2026年9月30日，智源研究院正式发布众智FlagOS 2.2操作系统；10月17日，在北京举行的2026人工智能开放计算大会暨众智FlagOS技术大会上，该系统的技术细节与实测成果得到集中呈现。此次更新的核心目标，是应对AI模型快速迭代与算力基础设施长期服役之间的结构性矛盾——当大模型以季度为单位换代时，芯片部署周期往往长达数年，软件层必须承担起弥合代际鸿沟的责任。

FlagOS 2.2最显著的变化体现在算子能力的规模化扩张与跨平台优化深度上。系统共整合九大算子库，公开算子总数由2.1版的564个跃升至1454个，净增890个。其中，新增的FlagGems-SGLang专为多芯片高性能场景设计，包含40个针对Attention、Mamba状态更新、MoE、LoRA等关键路径的算子；FlagGems-vLLM则扩展了MLA、KDA/GLA/GDN2、TopK及低精度计算支持。值得注意的是，针对Qwen3.8-Flash-Next模型，FlagOS 2.2新增8个融合算子，并完成CUDA Graph完整入图，为端到端推理效率提升奠定基础。

在实测层面，FlagOS 2.2展现出明确的工程价值。在覆盖华为昇腾、天数智芯、摩尔线程、英伟达、燧原等10款异构AI芯片的上千个算子测试中，整体跨芯算子性能平均提升约27%。这一数据标志着优化能力正从单点突破转向系统性、规模化提升。以GLM-5.3-Flash模型在存量昇腾910B上的部署为例，逻辑服务吞吐量达到优化前的2.04倍；在指定条件下，按租金折算的算力成本较对应商业API计费参考低19.4%—27.6%。世界模型与ARM端侧推理场景也实现了可量化的联合优化成果。

支撑上述性能提升的，是一套协同演进的技术组合：FlagGems（通用算子库）、FlagTree（编译与自动调优框架）、KernelGen（多芯片自动算子生成工具）与FlagPrism（跨芯片统一调试平台）。其中，KernelGen已支持九款AI芯片，本季度自动生成765个算子，其中416个在至少5款国产芯片上通过精度验证，且性能达原生算子80%以上水平。FlagPrism则将Triton源码、编译器IR与设备执行信息关联，使跨芯开发从“可运行”走向“可解释”——开发者可追溯数值异常至具体语句，Profiler能拆解耗时并定位瓶颈环节。这套工具链的闭环，使“发现问题—验证假设—持续迭代”的方法论得以复用，而不仅限于某段优化代码的移植。

在模型适配层面，FlagOS 2.2通过统一插件机制与跨芯量化能力，显著缩短新模型落地周期。其跨芯片框架插件库（如TransformerEngine-FL、vLLM-FL等）像一组标准化“插座”，允许开发者沿用熟悉的工作流，将底层优化能力接入Megatron-LM、SGLang、Torch等主流框架。FlagOS-Compressor则提供权重转换与量化支持，配合迁移、评测与发布组件，实现新模型“Day0”适配多达12款芯片的能力。

这一进展呼应了当前国产算力生态的整体转向。正如中科曙光在“曙光8000”超智融合集群上的实践所示，国产算力正从“造机器、跑通整机”迈向“贴合产业需求、持续输出价值”。在气象、航天、类脑模拟等AI for Science（AI4S）场景中，异构算力需同时满足高精度科学计算与高效AI推理的复合要求，单一芯片架构难以胜任。FlagOS所构建的软件栈，正是打通硬件多样性与模型迭代速度之间断点的关键一环。

更深层的意义在于角色分工的重构。过去，芯片厂商常需为特定模型定制算子，模型开发者则受限于硬件边界反复调整结构；FlagOS 2.2使芯片企业可更聚焦架构创新本身，算力运营方可借助软件优化延长现有集群生命周期，模型开发者则获得一条“算法创新→快速跨越硬件边界”的新路径。这与科大讯飞在星火X2.6中强调的“国产算力上训练出自己的模型才是真自主可控”形成互补——前者解决“如何高效用好已有算力”，后者解决“如何在国产平台上完成全栈训练”。

值得注意的是，FlagOS的演进路径与国际趋势亦有呼应。谷歌云近期开源的Harness²框架同样强调“系统提示、工具集、记忆与子智能体”的外部组织方式对任务效果的决定性影响；其核心思想——冻结模型权重、通过脚手架优化提升效能——与FlagOS“不依赖新模型、靠软件层释放既有算力潜力”的理念高度一致。二者共同指向一个共识：在算力成本高企、模型迭代趋缓的背景下，系统级优化正成为提升AI生产力的性价比最优解。

目前，FlagOS已进入实际业务验证阶段。除GLM-5.3-Flash、Qwen3.8-Flash-Next等模型外，其在世界模型与ARM端侧推理中的联合优化成果也已落地。随着更多国产芯片厂商接入统一插件体系，以及KernelGen、FlagPrism等工具链的持续完善，FlagOS有望逐步从“支持芯片列表”转向“持续优化每一种算力”的常态化能力。

国产AI基础设施的成熟，不仅取决于硬件参数，更取决于软件栈能否让每一颗芯片、每一次迭代都产生真实价值。FlagOS 2.2的发布，标志着这一进程正从工程适配迈入持续演进的新阶段。