## 一、主要功能

众智FlagOS 2.0是由北京智源人工智能研究院联合23家顶尖机构共同研发的开源AI系统软件栈,于2026年3月27日在中关村论坛正式发布。作为全球支持芯片种类最多的AI系统软件栈,FlagOS 2.0实现了对18家厂商32款AI芯片的全量支持,打破了AI应用开发中硬件平台碎片化的困局。

FlagOS 2.0的核心功能覆盖AI应用全生命周期:从大模型训练推理到具身智能与科学计算,从底层算子优化到上层应用部署。系统内置全球最大的多芯片算子库,拥有497个算子,覆盖大模型训练推理和科学计算全场景。同时发布了Triton-TLE编程语言,这是对原有Triton语言的全面扩展,支持31种原语,让不同架构芯片的开发者能够高效编写高性能算子。

在智能体领域,FlagOS 2.0推出了Skills 1.0智能体技能库,为AI智能体开发提供标准化工具链。FlagOS-Robo框架则专注于具身智能的训练、推理与仿真评测,为机器人领域的研究者提供完整解决方案。此外,FlagRelease模块支持开源模型跨芯片迁移与统一发布,目前已覆盖多家厂商硬件及70余个模型实例,大幅降低了模型部署门槛。

## 二、技术原理

FlagOS 2.0的技术架构建立在统一中间表示层FLIR(FlagIR)预览版之上,通过抽象层屏蔽不同芯片架构的差异性,实现"一次编写、多端运行"的目标。FlagIR作为中间表示层,能够将上层框架的计算图转换为与硬件无关的中间表示,再通过后端编译器生成针对特定芯片优化的机器码。

算子层面,FlagOS 2.0的算子库FlagGems基于原有架构进行了大规模扩展,新增6类核心算子接口,使算子总数达到497个。这些算子覆盖了大模型训练推理所需的全部操作,从基础的矩阵运算到复杂的注意力机制实现,均经过针对不同芯片架构的深度优化,部分算子性能提升超过40%。

编程语言层面,Triton-TLE作为Triton的扩展版本,引入了对GPU、DSA等多种架构的原生支持。开发者可以使用Python风格的高级语法编写算子,编译器自动完成跨平台优化。相比传统CUDA开发模式,Triton-TLE将开发效率提升了数倍,同时保持了接近手写算子的性能水平。

AI算子自动生成平台KernelGen 2.0是FlagOS 2.0的另一项核心技术突破。该平台能够根据算子描述自动生成高性能实现,大幅降低算子开发门槛。对于新型芯片,KernelGen 2.0可以快速生成基础算子库,加速新硬件的生态适配进程。

## 三、应用场景

FlagOS 2.0的应用场景横跨AI产业的多个核心领域。在大模型训练与推理领域,FlagOS 2.0通过FlagScale插件体系提供完整的训练、推理和强化学习工作流支持。无论是百亿参数级别的预训练任务,还是千亿参数模型的分布式推理,FlagOS 2.0都能提供最优的硬件利用率。企业可以自由选择不同厂商的AI芯片,无需担心软件栈兼容性问题。

在具身智能与机器人领域,FlagOS-Robo框架提供了端到端的解决方案。从仿真环境搭建、训练数据生成,到模型训练与部署,FlagOS-Robo覆盖了机器人学习全流程。框架支持多种主流机器人平台,研究者可以快速验证算法原型并部署到实体机器人上。

科学计算是FlagOS 2.0重点拓展的新场景。传统科学计算应用往往依赖CPU集群,性能提升缓慢。FlagOS 2.0将科学计算算子纳入统一算子库,使得气象模拟、分子动力学、流体力学等应用能够充分利用AI芯片的并行计算能力,加速科研创新进程。

对于AI应用开发者而言,FlagRelease模块提供了模型跨芯片迁移的一站式服务。开发者只需进行一次模型训练,即可快速部署到不同厂商的硬件平台,大幅降低了多平台适配成本。目前已有70余个主流模型实例完成跨芯片验证,覆盖自然语言处理、计算机视觉、多模态等多个方向。

## 四、使用方法

FlagOS 2.0采用开源模式,所有核心组件均托管在GitHub的FlagOpen组织下。开发者可以通过访问github.com/FlagOpen获取完整源码和文档。项目提供详细的安装指南和快速入门教程,支持从源码编译和预编译包两种安装方式。

算子库的使用遵循标准的Python接口规范。开发者可以通过pip安装FlagOS SDK,在代码中导入相应模块即可使用。对于需要自定义算子的场景,开发者可以使用Triton-TLE编写算子实现,编译器会自动处理跨平台优化。官方文档提供了大量示例代码,覆盖常见应用场景。

模型迁移方面,FlagRelease提供了自动化迁移工具链。开发者上传训练好的模型权重,系统会自动分析模型结构并生成针对目标芯片的优化版本。迁移过程中会自动处理算子映射、精度校验等细节问题,最大程度减少人工干预。

对于企业级部署,FlagOS 2.0提供了完善的运维管理工具。FlagScale插件体系支持分布式集群的统一管理,包括资源调度、任务监控、故障恢复等功能。管理员可以通过Web界面直观地查看集群状态和任务执行情况,降低运维复杂度。

## 五、适用人群

FlagOS 2.0面向AI产业全链条的从业者。对于AI算法研究员而言,FlagOS 2.0提供了便捷的实验环境,研究者可以快速验证新算法在不同硬件上的性能表现,加速研究迭代周期。统一的编程接口降低了硬件学习成本,研究者可以专注于算法本身而非底层优化。

对于AI应用开发者,FlagOS 2.0的跨芯片能力是最核心的价值点。开发者无需为每种硬件单独适配,大幅缩短产品上市时间。丰富的预置算子和模型库也为快速原型开发提供了便利,开发者可以站在巨人肩膀上构建应用。

对于AI基础设施工程师,FlagOS 2.0的统一软件栈简化了异构集群的管理难度。工程师可以使用统一的工具链管理不同厂商的芯片,降低运维复杂度。完善的监控和诊断工具也帮助工程师快速定位和解决问题。

对于AI芯片厂商,FlagOS 2.0提供了快速融入AI生态的捷径。厂商只需完成FlagIR后端编译器的开发,即可让自家芯片支持完整的AI工作流。这大幅降低了新芯片进入市场的门槛,促进AI硬件生态的健康发展。

## 六、优缺点介绍

FlagOS 2.0的最大优势在于其开放性和统一性。作为开源项目,FlagOS 2.0避免了厂商锁定问题,用户可以自由选择最适合的硬件平台。23家机构的联合研发确保了技术路线的中立性,不会偏向任何单一厂商的利益。

覆盖32款AI芯片的能力是FlagOS 2.0的核心竞争力。这一数字领先于任何同类项目,为用户提供了最大的硬件选择自由度。497个算子的算子库也是全球最大规模,基本覆盖了主流AI应用的全部需求。

Triton-TLE和KernelGen 2.0的引入体现了FlagOS 2.0在开发者体验上的持续投入。高级编程语言和自动生成工具大幅降低了算子开发门槛,使得更多开发者能够参与到AI生态建设中。

FlagOS 2.0也面临一些挑战。作为2026年3月刚发布的新版本,生态成熟度仍在建设阶段,部分场景的工程化验证还不够充分。文档和社区资源的丰富程度与主流框架相比仍有差距,新手入门可能需要一定学习成本。

从市场角度看,FlagOS 2.0需要在与英伟达CUDA生态的竞争中争取用户。虽然技术上有差异化优势,但CUDA生态的先发优势明显,FlagOS 2.0需要持续投入才能获得更大的市场份额。不过,随着AI芯片多元化趋势加速,FlagOS 2.0的统一软件栈价值将日益凸显。