Newsora
雷峰网11/18 13:31 · 2 小时前

海外算力通道收窄!众智 FlagOS × 清昴智能,助力国芯高性能上线商用 Token 工厂

11 月 16 日,美国商务部工业与安全局(BIS)最新出口管制政策正式落地,将限制范围从芯片实物进一步延伸至远程算力访问,旨在封堵中国企业通过海外数据中心获取先进 AI 算力的路径。 这一外部变量正在迅速传导至国内算力供给侧。对于正在兴起的“国芯 Token 工厂”而言,海外算力通道的收窄在需求侧倒逼本土算力加快承接真实业务;但在供给侧,国产推理芯片在制造与封装环节同样面临更严苛的审查。硬件供给依然紧俏,产业界不得不直面一个更迫切的工程命题:在现有的国产新卡与海量存量集群之上,如何把每一张卡榨出更高、更稳、算得平经济账的“有效 Token 产能”? 11 月 17 日,在“国芯国模 自主生态”2026 清昴 AI 伙伴大会暨 Token 工厂年会上,北京智源人工智能研究院与清昴智能联合发布“国产 Token 工厂端到端推理优化方案”,基于众智FlagOS(开源多芯片统一AI系统软件栈)正式上线基于国产芯片的商用Token 工厂。 “剪刀差”下的算力困局:电价逻辑与生态割裂 “大模型在上半场已经证明了我们可以打造出世界级的模型。但下半场更重要的是,如何把这些模型的能力变成高质量、低成本、稳定供给的、有价值的 Token 能力。”林咏华在开场演讲中指出,随着大模型首次以“Token 产能”的形态进入一线产业衡量体系,两个现实矛盾正在凸显。 首先是模型迭代与硬件基建之间的“周期剪刀差”。如今主流大模型几乎以月甚至以周为单位更新架构,但底层算力基础设施往往两到三年才会更新换代一批。如果软件层跟不上,昂贵的硬件刚部署不久就会面临跑不动新模型的尴尬。 其次是算力成本与供应链安全。林咏华用工业时代的“电价”作比:中国制造业的竞争力很大程度上源于低电价,而电力供应的底气来自九成以上依赖本土煤炭的能源结构;推演到智能时代,行业期盼的是亲民的百万 Token 单价,而供应链安全的底气,则取决于底层算力供给能否扎根国内。 但硬件侧是按卡、按规模采购,应用侧要的却是按秒交付的 Token。正如清昴智能创始人兼 CEO 关超宇在会上所言,两者之间亟需一座高效“翻译器”,将闲置、异构、难用的国产算力组织成可计量、高可靠的标准化产能。 “无论在 CPU 时代还是 AI 芯片时代,都不可能由一款芯片包揽天下。”林咏华认为,国内并不缺少优秀的芯片厂商,真正稀缺的是能够让所有硬件共享的软硬件协同生态。李炎在随后的分享中也点破了工程团队的切身痛点:面对百花齐放的模型与芯片,产业不能每发布一个模型、每推出一款芯片就从头做一次底层适配与算子重写。 这也正是智源过去四年联合高校与芯片厂商持续推进开源 FlagOS 的初衷——用一套开放、统一、可复用的系统软件栈,让同一套算子与编译系统在不同硬件上共享优化经验。截至目前,FlagOS 生态已汇聚 21 家芯片企业与 86 家生态伙伴,覆盖 35 款 AI 芯片。其底层由通用算子库 FlagGems、训推并行框架 FlagScale、统一编译器 FlagTree 与统一通信库 FlagCX 构成,9 大算子库累计沉淀超过 1,454 个开源 Triton 算子,其中近八百个算子在至少 5 款国产芯片上达到了原生算子 80% 以上的性能。在框架层面,智源坚持不 fork 上游代码库,而是通过插件化机制零侵入接入 vLLM、SGLang、Megatron-LM 等主流社区生态,实现了单个代码仓库覆盖 20 家厂商后端,并在过去半年多次完成新模型发布当天(Day0)即同步跑通多达 12 款芯片的验证。 深入微秒级内核:众智FlagOS把国产新卡跑进商业生产线 对于追求商业盈利的 Token 工厂而言,模型“能跑通”只是及格线,能否把延迟压低、吞吐拉高,才是决定服务质量与盈利空间的关键。 在此次联合发布的“国产 Token 工厂端到端推理优化方案”中,智源团队直接将优化推进到了华为升腾 910C 集群的微秒级内核,主攻智谱 GLM-5.3 与 GLM-5.3-Flash 模型。李炎介绍,大模型推理在计算密集的 Prefill 阶段和访存密集的 Decode 阶段瓶颈截然不同,必须对症下药。 在 Prefill 阶段,针对 GLM-5.3-Flash 的混合注意力架构,团队重构了大小块计算路径,协调芯片内部的向量与矩阵计算单元并行分工,省去了中间结果的频繁片外搬运。在 81,920 输入长度、16 并发的测试中,波次吞吐提升了 3.41%;在 256K 超长输入下,TTFT p50下降了 4.94%。 到了受访存带宽掣肘最严重的 Decode 阶段,团队对碎片化的算子进行了深度融合——通过 LI 量化写回技术,将原本分步执行的动态量化、尺度转换与HBM缓存写回合并进同一个内核。在 910C 微基准测试中,这一改造将原本 18.03 微秒的原生链路耗时压缩至 2.04 微秒,实现接近 9 倍的提速;叠加针对小批量输入的向量路径定制,在端到端商业场景实测中,Decode 阶段的ITL整体下降超过 10%,TPOT降低 8% 以上。 这种不依赖堆叠硬件、纯粹通过底层内核重构释放出的性能红利,正在帮助清昴智能的 Token 工厂在同等算力规模下承接更高的并发商业流量。 盘活存量 910B:让老卡扛起 1M 长上下文 相比最新一代芯片上的性能冲刺,国内算力中心面临的另一个更现实的难题在于存量资产。市场上已经部署了大量升腾 910B 服务器,但面对动辄支持百万(1M)上下文的新一代模型,老卡往往面临显存与算力的双重告急。 “GLM-5.3-Flash 和 DeepSeek-V4.1-Flash 这样的 Flash 类模型,其实是国产存量卡的天选之子。”李炎在现场提出了一个务实的判断。与其等待漫长的硬件换代,不如用系统软件架构把存量 910B 的潜力挖透。 在智源内部的 BAAI Token Hub 上,团队基于 FlagOS 全栈将 48 张存量 910B 组织为“Prefill与Decode分离”的推理集群,稳定跑通了支持 1M 上下文的 GLM-5.3-Flash 服务。32 张卡组成 4 个 Prefill 域专门消化长序列输入,另外 16 张卡组成 8 个 Decode 域专注保障多并发流式输出。该服务已连续稳定运行两周,线上TTFT P50保持在 2.3 秒左右,TPOT P50稳定在 22 毫秒。 更进一步的效率跃升来自缓存与搬运链路的重构。团队在框架插件侧打通了跨 Prefill 域的 Prefix Cache 复用,将缓存拆分为本地显存、私有主机内存与共享主机内存三级存储,并结合分段 SDMA 优化,把零散的内存页合并成连续传输段以拉高 PCIe 带宽利用率。实测数据显示,这一方案将前缀命中率从 82.65% 推升至 94.15%,推动复用阶段的首字时延中位数从 16.63 秒下降至 3.10 秒,降幅高达 81.4%。 这意味着,企业与科研院所手中大批存量 910B 集群无需推倒重建,通过软件栈升级即可直接具备承接长上下文商业服务的能力。林咏华还在现场透露,基于 FlagOS 统一技术栈,智源仅用两周时间便完成了对华为 910B-T 芯片关键大模型算子的适配与性能优化。 多芯横向印证与生态“保驾护航” 在智源看来,统一软件栈的价值不能只在单一芯片上得到验证。峰会现场公布的多芯横向实测显示,在平头哥 810E 上,FlagOS 2.2 帮助 DeepSeek-V4.1-Flash 推理性能提升 77% 至 82%,实现 16 路并发可用、最高支持 80 并发,每请求解码速度达到 136.2 tok/s;在海光 BW1100 上,GLM-5.3-Flash 的推理性能也提升了 25% 以上,多并发下单路吞吐突破 80 TPS。 从底层算子库、编译器到跨芯片调度插件,此次智源作为首批战略伙伴深度参与联合发布,正是希望将开源社区沉淀的优化能力,直接输送给一线 Token 工厂与终端企业。 正如林咏华在演讲最后对产业伙伴作出的承诺——智源与开源社区扮演的正是“保驾护航”的角色:“无论你手里是已经运行多年的存量集群,还是正在部署的新一代芯片,乃至未来即将问世的新架构硬件,都不用担心上面运行不了最新的模型。”在算力竞争转向比拼“有效 Token”的当下,一个开放、可复用的系统软件底座,正在成为国产算力打破周期束缚的关键支点。

聚合站点:此处仅展示原媒体摘要,全文请前往来源阅读。
阅读全文 →