清微智能联合众智 FlagOS：国产可重构芯片首次实现DeepSeek-V4 DAY0 开箱即用

2026 年 4 月 24 日，DeepSeek 开源全新 V4 系列大模型（Pro 1.6T / Flash 284B）。清微智能与众智 FlagOS 社区紧密合作，在国产可重构计算架构芯片 上第一时间完成 DeepSeek-V4 全系列模型的 DAY0 适配与推理部署。

据悉，FlagOS 社区本次共完成了 9 种 AI 芯片 的统一适配，包括：清微智能（可重构架构）、海光、沐曦、华为昇腾、摩尔线程、昆仑芯、平头哥真武、天数智芯、英伟达。这意味着，DeepSeek-V4 不再局限于少数高端硬件，通过统一开源系统软件栈 FlagOS，能在多种 AI 芯片上快速迁移、稳定运行。对于开发者、芯片厂商和产业用户而言，这不仅是一次模型适配，更是多元 AI 算力走向可用、易用、好用的重要一步。

特别值得一提的是：这是国产可重构芯片首次成功运行千亿参数大模型（1.6T & 284B），并实现 DAY0 适配。清微智能的可重构计算架构凭借高灵活度、高能效的优势，结合 FlagOS 的深度优化，为业界提供了“模型 + 芯片 + 系统软件”全栈国产化的一条可行路径。

DeepSeek-V4 系列2款模型均支持百万 Token 上下文，架构上引入混合注意力机制（CSA + HCA），在百万 Token 场景下 Pro 相比 V3.2 仅需 27% 推理 FLOPs 和 10% KV 缓存；采用流形约束超连接（mHC）增强跨层信号传播，并使用 Muon 优化器提升训练收敛和稳定性。两个模型均在 32T+ Token 上预训练，后训练采用两阶段范式：先通过 SFT + GRPO 强化学习培养领域专家能力，再经在线策略蒸馏统一融合。Pro-Max（最大推理模式）在代码基准达到顶尖水平，在推理和 Agent 任务上大幅缩小与领先闭源模型的差距；Flash-Max 在给予更多推理预算时可接近 Pro 级推理性能，但受限于参数规模，在纯知识类任务和复杂 Agent 工作流上略有差距。

性能参考如下官方评测结果

围绕 DeepSeek-V4 系列模型的多芯适配，此次 FlagOS 系统软件技术栈突破了三大关键技术：基于 FlagGems 全量替换 DeepSeek 原版算子，实现算子层多芯片统一适配；为 o-group 采用独立张量并行策略解锁更多低显存场景；完成 “FP4+FP8混合精度” 的原生权重到 FP8/BF16 的精度路径转换。当下，国内大规模部署的 AI 芯片，大都不支持 FP4 。英伟达也只在 Blackwell 及之后的高端芯片才支持 FP4。三项关键技术突破让 DeepSeek-V4 能在当前各种厂商的主流 AI 芯片上稳定运行，不再受限于支持 FP4 和大显存的少数高端 AI 加速卡。

Part.01

多芯版 DeepSeek V4 的获取与部署

FlagOS 技术栈为用户提供了“开箱即用”的多芯版 DeepSeek-V4-Flash 和 DeepSeek-V4-Pro。依托 FlagOS 的统一算子库 FlagGems、统一编译器 FlagTree 和训推框架 FlagScale，海光、沐曦、华为、摩尔线程（FP8）、昆仑芯、平头哥、天数、英伟达（FP8）、清微等9款芯片已经完成 DeepSeek-V4 系列模型的跨芯适配及验证。

用户在多芯片上部署 DeepSeek-V4 时，通常会先遇到几大挑战：算子缺失或不匹配，分布式部署多卡多节点配置复杂，模型格式与精度适配复杂。DeepSeek-V4 的原始权重多为量化格式（如 FP8），而各芯片对低精度数据类型的支持方式不一，权重转换和适配过程繁琐且容易出错。为解决上述性能与部署难题，FlagOS 提供了专门的适配仓库。

一键启用高性能算子库：通过设置环境变量 USE_FLAGGEMS=1，可自动切换至 FlagGems 为 DeepSeek-V4 深度优化的算子实现，无需手动逐算子替换，大幅提升多款芯片上的开箱可用性。

算法优化多卡通信：当模型并行数（MP）大于配置组数（o_groups）时，通过设置 USE_OGROUPS_COMM=1，自动启用分组投影独立通信组功能，精准解决 o_groups 张量切分数量限制。该仓库还提供了单机8卡、双机16卡的完整运行脚本（run_mp8.sh、run_node_0.sh 等），开箱即用。

自动化权重转换工具：内置纯 PyTorch 实现的 convert_weight.py 脚本，能够直接将 FP8/FP4 量化权重可靠地反量化为 BF16 格式，解决权重迁移到各种国产芯片上的兼容性问题。

量化加速功能：为 MoE 专家引入 INT8 逐通道对称量化，支持 W8A8 推理，能够进一步降低机器资源需求，提升性能与效率，并同时提供对应的量化配置和参数转换脚本方便用户使用。

方式一：FlagOS 安装部署

使用 DeepSeek-V4-FlagOS 代码仓库进行部署

单机（8卡）：可使用如下命令，或者直接运行bash run_mp8.sh

exportUSE_FLAGGEMS=1#开启加速torchrunnproc-per-node8generate.py max-new-tokens64ckpt-path /path/to/model_bf16_mp8 config config_from_bf16.json input-file prompt.txt

双机（16卡）

可使用如下命令，或者直接在Node 0上运行bash run_node_0.sh

exportNCCL_SOCKET_IFNAME=eth0exportNCCL_IB_DISABLE=1exportUSE_FLAGGEMS=1exportUSE_OGROUPS_COMM=1torchrunnnodes=2nproc_per_node=8node_rank=0master_addr= master_port=29500generate.py ckpt-path /path/to/model_bf16_mp16 config config_from_bf16.json input-file prompt.txt max-new-tokens64

对于 Node 1 情况，可使用如下命令，或者直接在 Node 1上运行 bash run_node_1.sh

exportNCCL_SOCKET_IFNAME=eth0exportNCCL_IB_DISABLE=1exportUSE_FLAGGEMS=1exportUSE_OGROUPS_COMM=1torchrunnnodes=2nproc_per_node=8node_rank=1master_addr= master_port=29500generate.py ckpt-path /path/to/model_bf16_mp16 config config_from_bf16.json input-file prompt.txt max-new-tokens64

方式二：直接下载模型镜像

用户可以直接拉取在 FlagRelease 上发布的迁移后的模型文件、代码和镜像。以下是迁移适配后的几种 AI 芯片的模型版本，开箱即用、无需迁移。

Part.02

三大技术突破，让 DeepSeek 实现“多芯极速适配”

突破一：FlagGems 提供支持多元芯片的全算子替换方案，解决跨芯适配首要难题

在对 DeepSeek V4 系列模型的多芯适配过程中，FlagGems 实现了推理链路中全部算子的替代。这意味着什么？

彻底脱离 CUDA 算子依赖：DeepSeek V4 的 MoE 专家调度、Attention 计算、RMSNorm、TopK 路由等全部核心计算模块，均由 FlagGems 基于 Triton/Triton-TLE语言重新实现，不调用任何 cuDNN/cuBLAS 等 NVIDIA 私有库。

无需芯片厂商逐一适配：传统模式下，每款新模型上线，芯片厂商需要投入工程团队做算子适配。现在通过 FlagGems + FlagTree 编译器的组合，新模型的算子可以直接编译到多款芯片后端，芯片厂商不需要做任何额外工作。

新算子即时可用：DeepSeek V4 模型引入的新计算模式（如 o-group 相关的分组路由机制），FlagGems 已经实现了对应的新算子，并通过 FlagTree 编译器统一编译到所有支持的芯片后端。

FlagGems 作为全球最大的 Triton 单一算子库，已拥有超过400 个大模型常用算子，并已正式进入 PyTorch 基金会生态合作项目。在 40 个主流模型上，推理任务算子覆盖度达到 90%~100%，完整支持 DeepSeek V4 的全部计算需求。

突破二：为o-group采用独立并行策略，解除张量并行最多单机8卡限制

DeepSeek V4 为了进一步降低计算开销采用了分组输出投影技术（Grouped Output Projection），配置为o_group=8，这导致在传统的张量并行时候，最多切8份。而当前一些主流国产芯片的单卡显存为 32GB 或 64GB，尤其在BF16格式情况下，需要张量并行大于8份才能放的下。为了解除这个限制，FlagOS 专门针对 o_groups 进行了单独张量并行策略设计和实现，确保 o_goups 切分不超过 8 份的前提下，能够让模型其他部分还采用经典的张量并行策略，并且实现超过 8 份的切分。通过不同的张量并行策略组合，能够实现多于 8 台设备的张量并行运行。

FlagOS 对 o_group 张量并行的技术改动集中在以下方面。

独立的并行策略：独立于已有的张量并行通信组之外，为 o-group 单独构建所需要的张量并行通信组，确保其他模型结构张量并行切分超过 8 的情况下，o-group 的张量并行在 8 以内。

参数转换调整：对 o_group 相关的参数，也进行了对应单独的张量并行切分处理，以确保在新的独立张量并行策略下，也能够被正确加载。

覆盖面扩展：这一优化能够将 DeepSeek V4 在单独采用张量并行策略下，将可运行芯片范围从“仅限单机 80GB以上显存的个别高端卡” 扩展到“多机64GB/32GB的更多主流国产芯片”，例如海光、沐曦、天数智芯等厂商的主力产品线。

突破三：从“FP4+FP8混合精度” 到 BF16的精度转换，打通主流芯片的计算路径

DeepSeek V4 模型发布时，首次采用 FP4+FP8混合精度，该精度只有在 Blackwell 及之后的英伟达最新硬件上才有支持，但当前所有国内非英伟达 AI 芯片都未能支持，只有摩尔线程原生支持了 FP8，其余依然以 BF16 为主。

FlagOS 完成了从 FP4 到 BF16 的完整精度转换。

权重反量化：将 FP4 量化权重转换为 BF16 格式。这不是简单的类型转换，而是需要根据 DeepSeek 的量化方案进行逆量化计算，确保数值精度。

计算路径重建：FP4 和 BF16 在底层计算上有本质差，FP4 的动态范围更窄，累加精度、溢出处理策略均不同。FlagOS 对推理链路中的 GEMM、Attention、MoE 路由等关键计算节点逐一适配了 BF16 路径。

精度对齐验证：经过标准评测集验证，BF16 版本与 FP4 原生版本在核心能力指标上保持对齐，确保精度转换不引入业务层面的效果损失。

本次，FlagOS推出了FP8和BF16两种适配版本，让 DeepSeek V4 不局限在最新 NVIDIA 卡上，也能部署在 FP8 及 BF16 生态的其他芯片上。

Part.03

FlagGems开源新算子全面支持 DeepSeek-V4 系列模型

本次新发布的 DeepSeek-V4 模型共有大约 67 个算子，FlagGems已全量支持。新支持了Act Quant、hc_split_sinkhorn、FP8 MatMul、Sparse Attention、Hadamard Transform等5个新算子，实现了对 DeepSeek-V4 的全面支持，也为跨芯适配打下重要基础。

为了支持更多 AI 芯片的使用，FlagOS 对 DeepSeek-V4 模型中使用的新算子使用 Triton 语言进行重新实现，基于 FlagTree 统一编译器，性能全部超过原生性能。（以下数据是针对DeepSeek-V4-Flash的测试）

C++ Wrapper 技术是 FlagOS 社区专门为提升基于 Triton 语言的算子内核调用效率而打造的技术。目前已经支持了该技术的芯片包括华为昇腾、寒武纪、摩尔线程、平头哥真武、及英伟达等。使用了 C++ Wrapper 技术，在普通的 Transformers 框架下，可以显著提升使用了 Triton 算子的模型的端到端效率，实现跨芯普适、和高效推理的双重目标。通过端到端效果评测（NV H20，DeepSeek-V4-Flash FP8），「C++ Wrapper + Triton」 比 TileLang 快 12.24%，比 Python Wrapper 版快 40.39%。

配置

FlagGems算子(C++ Wrapper + Triton)

TileLang 算子（DeepSeek原版）

Python Wrapper+ Triton算子

端到端吞吐（tokens/s）

70.7

Part.04

开发者极致体验：“发布即多芯”+ “极简部署”

1、核心能力与原版本对齐

经 GPQA_Diamond、AIME等权威评测集验证，FlagOS 适配后的 DeepSeek-V4-Flash 和 DeepSeek-V4-Pro，在语言理解、复杂推理、代码生成、数学计算等核心能力上，与 CUDA 原版本对齐，可放心应用于金融、教育、政企服务、代码开发等场景，无需担心适配导致业务效果折损。

DeepSeek-V4-Pro 1.6T 万亿参数模型已经在摩尔线程、海光、沐曦、华为昇腾四款国产芯片完成了基于FlagOS技术栈的适配，并通过了初验。考虑到国产芯片当前的精度支持和显存大小，我们推出了int8的适配版本，更方便用户的实际部署使用。

2、极简部署：开箱即用，底层优化无感知

FlagOS 将核心算子库、编译器等技术组件前置内置到 DeepSeek-V4代码框架中，开发者加载模型时，底层优化代码自动生效，无需手动添加任何 FlagOS 初始化代码。同时，基于 FlagRelease 直接提供了多芯片版本的 DeepSeek-V4-FlagOS 模型版本，标准化 Docker 镜像 + 一键加速命令，解决了开发者最头疼的环境配置、效果对齐、性能优化等问题。

Part.05

FlagOS 2.0 技术底座：从大模型到智能体时代的全栈升级

DeepSeek-V4 系列模型的三重突破，依托的是 FlagOS 2.0 统一多芯片系统软件栈的全链路能力。从算子层、编译层、框架层到工具层，全链路为大模型跨芯适配提供技术支撑，将原本数周的适配周期缩短至数天，真正实现极速落地。

1、高性能算子库 FlagGems：核心算子深度适配，释放硬件算力

FlagGems 作为 FlagOS 核心的高性能通用大模型算子库，基于 Triton 语言实现，针对 DeepSeek-V4推理链路的核心算子进行了深度适配与优化，包括 MoE 专家调度、Attention 计算、RMSNorm 等关键计算模块，同时原生支持 NVIDIA、摩尔线程、沐曦、清微智能、天数等接近 20 家 AI 芯片。

2、统一 AI 编译器 FlagTree：一次编写，多芯编译

FlagTree 是 FlagOS 面向多 AI 芯片后端的统一编译器，基于 Triton 深度定制，可将 DeepSeek-V4的核心算子编译为英伟达、摩尔线程等十多种不同 AI 芯片后端可识别的指令，彻底解决不同芯片编译器生态割裂的问题，大幅降低算子跨芯片适配的开发成本。

3、模型跨芯迁移发布工具 FlagRelease：半自动实现模型跨芯迁移与版本发布

依托 FlagOS 全栈技术能力，FlagRelease 已完成 DeepSeek-V4在多种芯片上的模型迁移、精度对齐与版本发布，覆盖 HuggingFace、魔搭等开源社区平台。开发者可直接下载使用，无需自行迁移。截至本文发布，FlagRelease 已发布覆盖 10+ 家芯片厂商、12+ 款硬件、70+ 个开源模型实例的跨芯适配版本。

4、统一多芯片接入插件 vLLM-plugin-FL：无缝兼容原生使用习惯

vLLM-plugin-FL 是 FlagOS 为 vLLM 推理服务框架打造的专属插件，基于 FlagOS 统一多芯片后端开发，在完全不改变 vLLM 原生接口与用户使用习惯的前提下，实现多芯片推理部署。目前 vLLM-plugin-FL 已经支持了清微、摩尔线程、海光、沐曦、平头哥真武、天数智芯、昆仑芯、华为、英伟达等多家芯片。

Part.06

开源共建：FlagOS 持续做开发者的“跨芯适配后盾”

当下，"异构算力协同、大模型普惠落地"已成为全球开源开发者社区的核心热点，打破硬件生态隔离、让大模型在不同算力平台高效低成本运行，是无数开发者的核心诉求。FlagOS 从诞生之初就将开源开放、众智共建刻入技术基因，始终以开发者为中心，通过全栈开源的统一系统软件栈，把复杂的"M×N"硬件适配问题降维为"M+N"，做每一位开发者最可靠的跨芯适配后盾。

全栈开源无保留，把技术主动权交给开发者

目前，FlagOS 已形成完整的开源技术体系，所有核心组件均已开源在 GitHub，同时开放了数十款最新的主流基础大模型、十多款 AI 芯片的适配方案与最佳实践，开发者可自由获取、深度定制：

四大核心技术库： FlagGems 通用大模型算子库、FlagTree 统一 AI 编译器、FlagScale 训练推理并行框架、FlagCX 统一通信库，覆盖算子开发、编译优化、并行计算、跨芯片通信全链路；

三大开源工具平台： FlagRelease 大模型自动迁移发版平台、KernelGen 算子自动生成工具、FlagPerf 多芯片评测工具，提供从模型适配、性能评测到工程落地的一站式工具链；

全场景扩展生态： vLLM-plugin-FL、Megatron-LM-FL、TransformerEngine-FL 等框架增强组件，以及 FlagOS-Robo 具身智能工具包，覆盖大模型训练、推理、应用全场景。

多路径参与共建，全层级开发者均可入局

我们为不同技术方向、不同经验层级的开发者，设计了低门槛、多路径的共建方式，无论你是 AI 开发新手，还是深耕系统软件的资深专家，都能在 FlagOS 社区找到自己的位置。