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,如何把每一张卡释放出更高、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。
北京智源人工智能研究院副院长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”: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。林咏华以工业时代的“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。
硬件侧按卡、按规模采购,应用侧却要按秒交付Token。清昴智能创始人兼CEO关超宇在会上表示,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。林咏华认为,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,真正稀缺的是能够让所有硬件共享的软硬件协同生态。这一判断指向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(Day0)即同步跑通多达12款芯片的验证。
在此次联合发布的“国产Token工厂端到端推理优化方案”中,智源团队将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模型。智源相关技术负责人李炎介绍,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81920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%。
在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。
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昇腾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。李炎在现场提出一个务实判断:GLM-5.3-Flash和DeepSeek-V4.1-Flash这样的Flash类模型,是国产存量卡的重要适配方向。与其等待漫长的硬件换代,不如用系统软件架构把存量910B的潜力充分释放。
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。在海外算力通道收窄、国产芯片硬件供给持续紧俏的背景下,以统一软件栈盘活异构与存量算力、将“能跑通”推进到“算得平经济账”,正在成为国产Token工厂从技术验证走向商业交付的关键路径。
该文观点仅代表作者本人,企服科学平台仅提供信息存储空间服务。