FlagOS 2.2 reúne 1.454 operadores e reporta ganho de 27%

A Beijing Academy of Artificial Intelligence, BAAI, publicou em 20 de outubro de 2026 novos resultados do FlagOS 2.2 no detalhamento técnico publicado pela BAAI. O material descreve avanços exibidos em uma conferência realizada em 17 de outubro, depois do lançamento da versão em 30 de setembro. A pilha aberta reúne componentes para treinamento e inferência de inteligência artificial em diferentes arquiteturas de chips, incluindo bibliotecas de operadores, compiladores, plugins, ferramentas de depuração e recursos de quantização.

A versão reúne nove bibliotecas com 1.454 operadores, 890 a mais que a anterior. Operadores são implementações otimizadas de cálculos recorrentes dos modelos. A ampliação pode diminuir o trabalho necessário para portar aplicações entre aceleradores, mas não torna os equipamentos equivalentes. Compatibilidade, estabilidade, desempenho e suporte continuam dependendo da combinação entre modelo, framework, chip, configuração e carga empresarial. Por isso, a contagem deve ser tratada como sinal de cobertura de software, não como promessa de retorno financeiro.

Dez chips entram na medição

A BAAI afirma ter medido mais de mil operadores em dez chips de arquiteturas heterogêneas ligados a Hygon, Moore Threads, MetaX, Tianshu Zhixin, Kunlunxin, Nvidia, T-Head, Enflame, Huawei Ascend e AMD. Nesse conjunto, o indicador agregado de desempenho dos operadores ficou aproximadamente 27% acima do registrado na versão anterior. O percentual combina cenários distintos e não representa ganho garantido para toda aplicação ou comparação direta entre chips.

A proposta é concentrar parte das adaptações em uma camada compartilhada de software, permitindo que melhorias sejam reutilizadas em mais de um ambiente. O desenvolvimento da biblioteca DeepGEMM para Ascend 950 mostra outra iniciativa nessa mesma frente competitiva. Para compradores de infraestrutura, a maturidade das ferramentas passa a pesar junto com preço, capacidade, consumo energético, disponibilidade comercial e condições de suporte do acelerador.

Operadores gerados e pesos comprimidos

Entre as adições, o FlagGems-SGLang oferece 40 operadores de alto desempenho para múltiplos chips. A organização também informa que o KernelGen gerou 765 operadores no trimestre. Desse total, 416 passaram por verificação de precisão em pelo menos cinco chips chineses e alcançaram desempenho igual ou superior a 80% das implementações nativas correspondentes. Esses critérios são mais informativos que uma simples contagem de códigos produzidos.

O FlagOS-Compressor organiza conversão, quantização, exportação e verificação de pesos conforme o hardware de destino. No exemplo do Qwen3.5-397B-A17B, as camadas de atenção e as redes de especialistas foram quantizadas em W8A8, enquanto o codificador visual permaneceu em BF16. O arquivo caiu de 751,41 GB para 382,45 GB, redução de 49,1%, sem que isso comprove economia equivalente de memória, energia ou latência em qualquer implantação.

Economia depende de aluguel, cache e utilização

O caso econômico divulgado envolve o GLM-5.3-Flash em 32 aceleradores Ascend 910B, distribuídos por quatro servidores no arranjo 3P1D. A conta considera aluguel mensal de 16.500 yuans por servidor de oito placas, taxa de acerto de cache de 93% e lado de decodificação plenamente utilizado. Nessas condições, o custo estimado por milhão de tokens de saída, com as entradas correspondentes, foi de 59,27 yuans no cenário de 256K e 104,53 yuans no de 512K, valores 19,4% e 27,6% abaixo das respectivas referências de cobrança de API apresentadas pela BAAI.

Em uma reprodução de conversas com agentes, a organização reportou aumento do throughput lógico de 8,52 mil para 17,36 mil tokens por segundo, ou 2,04 vezes o nível anterior. O indicador inclui tokens de entrada, saída e entradas lógicas atendidas pelo cache, portanto não deve ser interpretado como velocidade pura de geração. Os resultados foram divulgados pelos responsáveis pelo projeto e não trazem auditoria independente.

O que empresas brasileiras devem avaliar

O avanço do FlagOS ocorre em um ambiente no qual iniciativas como a estratégia de inteligência artificial de Shandong procuram integrar modelos, capacidade computacional e aplicações produtivas. Para empresas brasileiras, a relevância está na possibilidade de surgirem mais opções de software e infraestrutura chinesa. Isso não elimina riscos de licenciamento, documentação insuficiente, barreiras de aquisição, dependência de profissionais especializados ou incompatibilidades com ferramentas já adotadas.

Antes de projetar economia, gestores devem reproduzir os testes com modelos e dados próprios, medir perda de precisão após quantização e incluir migração, treinamento, manutenção, energia, rede e indisponibilidade no custo total. Também convém exigir documentação das licenças, políticas de atualização, versões suportadas e procedimentos para corrigir regressões antes de vincular uma operação crítica à pilha. A comparação deve incluir a permanência no ambiente atual, para evitar que custos de transição sejam confundidos com ganhos da nova camada. O FlagOS 2.2 oferece números concretos para projetos piloto, mas não uniformiza todas as arquiteturas. Seu valor empresarial dependerá da capacidade de transformar operadores compartilhados em desempenho estável, suporte previsível e redução comprovada de despesas no ambiente real de cada companhia.