国产Token工厂落地:把存量910B跑出1M上下文,FlagOS这套软件栈做了什么
来源:雷锋网 | 原文链接 https://www.leiphone.com/category/industrynews/ukrIJ082d0MIuodR.html | 发布日期:2026-11-18
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,把限制范围从芯片实物进一步延伸至远程算力访问,目标是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:对正在兴起的「国芯 Token 工厂」而言,海外通道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)上线了基于国产芯片的商用 Token 工厂。
智源研究院副院长林咏华在开场演讲里点出两个现实矛盾。第一是模型迭代与硬件基建之间的「周期剪刀差」: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。第二是算力成本与供应链安全。他用工业时代的「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,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。清昴智能创始人兼 CEO 关超宇的说法是,两者之间亟需一座高效的「翻译器」,把闲置、异构、难用的国产算力组织成可计量、高可靠的标准化产能。林咏华的判断是: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;国内并不缺少优秀的芯片厂商,真正稀缺的是能让所有硬件共享的软硬件协同生态。
这正是智源过去四年联合高校与芯片厂商推进开源 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;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 1454 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即同步跑通多达 12 款芯片的验证。
对追求商业盈利的 Token 工厂来说,模型「能跑通」只是及格线,能否把延迟压低、吞吐拉高,才决定服务质量与盈利空间。在这次联合发布的方案里,智源团队把优化推进到了华为昇腾 910C 集群的微秒级内核,主攻智谱 GLM-5.3 与 GLM-5.3-Flash。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:Prefill 阶段针对 GLM-5.3-Flash 的混合注意力架构重构了大小块计算路径,协调芯片内部向量与矩阵计算单元并行分工,省去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 3.41%,256K 超长输入下首字时延 p50 下降 4.94%;Decode 阶段通过 LI 量化写回技术,把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 微基准测试中把原生链路 18.03 微秒的耗时压缩到 2.04 微秒,接近 9 倍提速,叠加针对小批量输入的向量路径定制后,端到端商业场景实测 Decode 阶段 ITL 整体下降超过 10%,TPOT 降低 8% 以上。
比新卡更现实的难题是存量资产。市场上已部署大量昇腾 910B 服务器,但面对动辄支持百万上下文的新一代模型,老卡往往显存与算力双重告急。团队提出的判断是:GLM-5.3-Flash 和 DeepSeek-V4.1-Flash 这类 Flash 模型是国产存量卡的天选之子。在智源内部的 BAAI Token Hub 上,团队基于 FlagOS 全栈把 48 张存量 910B 组织为「Prefill 与 Decode 分离」的推理集群,32 张卡组成 4 个 Prefill 域消化长序列输入,16 张卡组成 8 个 Decode 域保障多并发流式输出,稳定跑通了支持 1M 上下文的 GLM-5.3-Flash 服务,连续稳定运行两周,线上首字时延 p50 保持 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重构:在框架插件侧打通跨 Prefill 域的 Prefix Cache 复用,把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,结合分段 SDMA 优化把零散内存页合并成连续传输段,前缀命中率从 82.65% 推到 94.15%,复用阶段首字时延中位数从 16.63 秒下降到 3.10 秒,降幅 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具备承接长上下文商业服务的能力。
多芯横向实测也在会上公布: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 的推理性能提升 25% 以上,多并发下单路吞吐突破 80 TPS。
林咏华在演讲最后对产业伙伴的承诺,可以看作这套方案的目标定位:无论手里是运行多年的存量集群、正在部署的新一代芯片,还是未来即将问世的新架构硬件,都不用担心上面跑不了最新的模型。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。
本文转载自雷锋网,原文链接:https://www.leiphone.com/category/industrynews/ukrIJ082d0MIuodR.html,版权归原作者所有。