Qwen3.8首日可用，助力存量算力长期有用：智源FlagOS开源开放生态共享

阿里巴巴开源超大规模Mo E模型Qwen3.8-2.4T-A95B,众智Flag OS社区同步完成Day0多芯片适配。Qwen3.8-2.4T-A95B已在平头哥、英伟达、摩尔线程、华为昇腾、沐曦、昆仑芯、海光、清微智能、隧原等9家AI芯片上完成基于Flag OS统一开源技术栈的多芯适配、精度对齐与部署验证,针对不同芯片情况提供包括BF16FP8INT8等多种精度的版本,开发者可直接获取对应芯片的开箱即用方案。

从今年2月首次开展MiniCPM4.5-o模型的多芯片Day0适配,到今天实现Qwen3.8-2.4T模型在9款芯片上的Day0适配,Flag OS已累计完成来自7大头部模型团队、12款主流开源模型、覆盖多达10款芯片的跨芯Day0适配,向AI芯片与大模型产业验证了:基于统一、开放的系统软件栈,实现前沿模型"—次开发、多芯快速适配"已具备规模化落地能力。

本次发布的Qwen3.8-2.4T-A95B是阿里巴巴开源模型系列中规模最大、能力最强的一代,首次将Qwen-Max级别的模型开放出来。主要特性:

• 超大规模Mo E架构,总参数2.4T,激活参数95B,纯文本模型

• 编程、专业工作、科研、长程智能体任务能力显著提升;支持reasoning_effort调节推理深度，preserve_thinking保留历史推理

• 原生262,144 tokens,可扩展至1,010,000;提供BF16/FP8权重,兼容vLLM、SGLang、Token Speed

在Coding Agent相关基准测试中,Qwen3.8-Max相比Qwen3.7-Max有明显提升:Terminal Bench 2.1从74.5升至86.6,SWE-bench Pro从60.6升至67.7,接近Opus 4.8(69.2),Paper Bench从64.8升至93.0,并超过Opus 4.8(80.3)。

本次Qwen3.8-2.4T模型的适配,虽然相比Qwen3.5/Qwen3.6模型主体结构变化有限,但最重要的挑战是模型参数规模比Qwen3.5-397B扩大了6倍。为了让当下已经部署的主流AI芯片能跑起来，Flag OS需要解决因参数规模巨大带来的一系列系统优化问题。为了解决超大规模参数问题,本次Flag OS技术栈新增了面向多款AI芯片的统INT8量化支持,通过Flag OS-Compressor多芯片模型量化工具链,实现了对Qwen3.8的FP8/BF16原生权重到INT8的两条量化压缩路径,并完成量化推理算子的在多款AI芯片的适配。量化迁移后的权重,在多种AI芯片上评测,与英伟达原生基于CUDA的FP8版本对照,误差平均分偏差均在对齐区间内,保证了量化+跨芯迁移后的模型质量。基于众智Flag OS建立的从编译器、算子库、多芯片框架统一plugin等技术,Flag OS团队得以快速完成了模型压缩量化、跨芯适配及验证、精度对齐评测、开源版本发布等重要步骤。

—、从Day0适配到规模化验证:打通前沿模型与多元算力的"首日可用"

Qwen3.8-2.4T的多芯片Day0适配,是Flag OS紧跟前沿模型发布节奏、实现新模型“首日多芯可用”的又一次实践。自今年2月首次开展Day0适配以来,Flag OS技术团队已在6个月内完成10余款

这一能力回应了国产AI算力产业化落地的两项核心需求:一方面,使云服务与应用生态能够第一时间部署最新模型;另一方面,让既有算力基础设施持续承接模型演进,延长使用周期、释放存量算力价值。

1、为国产AI算力云服务抢占新模型"首发窗口"

对国内云厂商、智算中心和新兴Token算力服务商而言,每一次大模型发布,都意味着一次新的模型迁移与底层适配。用户希望第一时间在各种国产AI算力上使用最新模型,但不同芯片的适配链路相对独立,往往需要重复投入大量工程资源。上线速度因此不仅是技术能力,也直接决定云服务商能否抓住新模型发布后的市场窗口。

这一痛点对中小型Token算力服务商尤为突出。由于采购规模和技术资源有限,它们往往难以推动芯片厂商针对单一模型开展专项适配,也难以长期维持完整的底层适配团队,因此更加需要Flag OS这样的开源第三方平台提供公共技术支撑。

Flag OS Day0适配将新模型从发布到多芯可用的周期压缩至24小时以内,使中小型算力服务商能够基于国产芯片快速上线推理API和MaaS服务,无需重复投入大量人力进行底层开发。

目前,腾讯云HAI社区、超算互联网等多个云平台已将Flag OS适配的模型纳入其容器镜像中心。开发者可直接拉取镜像并部署至云端加速卡,快速构建面向自身业务的MaaS推理服务。这表明Flag OS Day0适配正在从技术验证进一步走向云服务交付,缩短国产算力从"支持新模型"到"形成可用服务"的最后一公里。

2、让存量算力持续承接前沿模型:Flag OS释放硬件投资的长期价值

大模型规模持续增长,正在加快AI芯片的迭代节奏。对于以多年周期规划和建设的AI算力集群基础设施,能否持续承载最新模型,直接关系到智算中心AI服务器的利用率和产业投资的可持续性。Flag OS希望通过量化、算子优化和跨芯适配,为来自多个芯片厂商的存量AI算力继续运行前沿模型拓展空间。

以Qwen3.8-2.4T为例,Flag OS-Compressor已支持W8A8量化,将权重和激活由BF16压缩至INT8,显著降低模型的显存占用与访存压力,同时也解决了当下80%以上存量AI算力不能支持FP8的问题。为了让模型在不同代际的国产AI芯片上部署,通过Flag OS技术栈进一步针对量化后的权重规模、单卡显存、卡数、内存带宽以及并行通信方案进行全栈优化,让存量的当代和上一代AI算力也有机会继续承载最新的超大规模Mo E模型。

对智算中心重资产场景而言,这不仅是延长设备服役周期的问题,更关系到算力投资的长期回报。通过量化与系统软件优化弥补部分硬件代际差距,可以提高存量设备利用率,缓解因模型快速演进带来的硬件更新压力。其目标并非让旧硬件获得与新一代硬件相同的性能,也不是无条件延长所有设备的生命周期,而是在部署条件、模型精度和性能表现均可验证的前提下,为国产算力持续承接前沿模型提供可持续经济的选择。