FlagOS 新里程：开源面向多种硬件架构的统一AI 编译器 FlagTree

为了推动不同架构 AI 硬件系统的创新和落地，打造开源、统一的 AI 系统软件生态，智源研究院联合多家机构开源了 AI 编译器 FlagTree。FlagTree 的开源，是开源、统一 AI 系统软件生态 FlagOS 发展进程中又一个重要的里程碑事件。至此，FlagOS 已经形成了具备高性能通用 AI 算子库FlagGems/FlagAttention、统一 AI 编译器 FlagTree、大模型训推一体框架 FlagScale 和统一通信库 FlagCX 的较为完整的系统软件技术栈。

1 FlagTree：基于 Triton 语言的开源统一AI编译器

FlagTree 开源社区希望通过开放合作的方式，打造一个支持Triton语言，面向多种 AI 硬件架构、增强对AI硬件特性支持能力的开源、统一 AI 编译器。从而为开发者提供更多选择，推动各种AI系统创新技术的普及和多元发展。

统一 AI 编译器 FlagTree 的发展，离不开社区生态参与机构的合作共建，为了推动 FlagTree 的开源合作和技术发展，FlagOS 生态社区为 FlagTree 开源社区成立了开源治理委员会、技术指导委员会、项目管理委员会、社区秘书处等多个组织，对 FlagTree 的发展形成强有力的保障。到目前为止，已经有十多家机构加入 FlagTree 开源社区，并按计划、有节奏地召开技术委员会会议，为 FlagTree 新版本的发布、后续版本的技术方案和研发路线进行重要的探讨。

1.1 FlagTree v0.1：支持多芯片后端，为上层用户提供统一的AI编译器版本

当前发布的 FlagTree v0.1版本能够兼容现有的 Triton 适配方案，实现了 Triton 语言的单版本多后端支持。目前，FlagTree 为支持多后端的编译器构建统一代码仓库；同时，FlagTree 统一承担对 Triton语言上游社区快速更迭的跟进任务，拉齐各芯片后端适配 Triton 的版本，为顺畅适配 Triton 语言的算子库铺平道路。

重要特性：

兼容现有两种主流编译路径：技术路线上，FlagTree 兼容 TritonGPU Dialect、Linalg Dialect 向下编译的两条编译路径，未来会充分收集各芯片平台的编译诉求，对中间层 IR 做统一设计。

接入形式灵活：源码、动态库

支持多种AI硬件后端：英伟达、摩尔线程等五家厂商

架构插件化设计：支持高差异度模块，相关的芯片平台可自行维护这部分模块的代码仓库

跨平台编译与快速验证能力

CI/CD：构建完备CI/CD，覆盖多元 AI 芯片

维护 Triton 官方版本升级，减少重复投入

FlagGems 和 FlagTree 联动，统一算子库与编译器

安全合规：由于本代码库有来自多个团队的贡献，我们使用专业工具保障项目代码的安全合规

1.2 FlagTree下一版本：集成更多硬件后端，增强硬件相关特性优化

下一个 FlagTree 版本将在以下方面进行重要更新。

• 在现有多种芯片后端的支持基础上，继续扩展更多后端的支持，包括在近期已经正式加入FlagTree开源社区的华为、清微智能和ARM中国等。

• 升级 Triton 新版本特性，包括3.2.x、3.3.x。

• 对非 GPGPU 后端提供多种接入范式，如新增 FLIR 仓库支持基于 Linalg Dialect 扩展

• GPGPU 后端代码整合，规范接入标准

• 针对不同的硬件特性提供编程接口及编译支撑，从而在非侵入式修改语言层的前提下通过指导信息提升性能，如支持 DMA、Shared Memory 的硬件感知提示

• FlagGems 和 FlagTree 联动，统一算子库与编译器，包括版本适配、后端适配、推理芯片适配等

2 关于统一 AI 编译器的一些思考

最近，LLVM 的创始人Chris Lattner发表了关于“Democratizing AI Compute”的系列文章，在中文社区受到广泛关注。Chris 曾在Apple、Google等著名团队供职多年，并创立和主导开发了 LLVM、Swift、XLA、MLIR等重要的语言和编译器项目。在文章中，他讨论了 CUDA 和 Triton 各自的优势和不足，也刨析了多年来各家企业和开源组织针对 AI 硬件的统一生态所做的各种尝试，包括 OpenCL、OneAPI 等，尤其深入讨论了 MLIR 的发展历程。FlagTree 这个开源项目，正是针对 Triton 语言和 Triton 原生编译器进行增强的多后端统一 AI 编译器，所以也在此分享一下我们对打造 FlagTree 统一 AI 编译器的思考。

2.1 为什么要打造 FlagTree ？

在过去两年，OpenAI 的Triton 语言已经成为了业界公认的继 CUDA C语言后，第二大流行的 AI 算子开发语言，其目前在 Github 上的开源项目使用量达到 CUDA C 的十分之一。虽然离 CUDA C 的流行度还有距离，但由于它的编译器生态开源开放，被多个 AI 芯片厂商所支持，具备较好的跨平台潜能。且 Triton 提供的类 Python 的编程风格，专为高效的 GPU 编程设计（特别是针对 AI 和高性能计算场景），大大提高了算子开发者的开发效率。所以在支持 AI 算法开发中，Triton 语言的受欢迎程度快速上升。它的主要优势体现在以下几个方面：

• 类Python语法：Triton 的语法类似 Python，降低了传统 GPU 编程（如CUDA）的复杂性，无需深入掌握架构细节即可编写高性能内核。

• 自动并行化：开发者无需手动管理线程块（thread blocks）或共享内存，Triton 会自动处理并行化策略。

• 灵活的矩阵分块（Tiling）：支持自动和手动分块策略，优化内存访问模式（如避免 GPU 全局内存的 bank conflicts）。

• 与 PyTorch 深度集成：可直接在 PyTorch 模型中使用 Triton 编写的内核，无缝调用 GPU 资源。

Triton 已经开始被广泛使用，尤其是被研究人员用于开发新模型和特殊的算法。但也有如下明显的弱势：

• 开发效率与性能的权衡：Triton 的 Pythonic 语法和自动优化虽提升开发效率，但牺牲了手写 CUDA C++ 的极致性能（如寄存器分配、指令级优化）。

• 跨芯片的可移植性和性能不足：对非 GPGPU 架构芯片的支持不完善，依赖开发者自行适配，并且 Triton 对非 GPGPU 架构芯片未深度优化，硬件特性利用不充分，性能不及预期。

• 治理与生态局限性: 开源治理依赖 OpenAI 主导，社区参与度不足，非 OpenAI 优先的需求（如小众硬件支持）进展缓慢。

所以，在研发 FlagOS 技术栈来为产业提供开源、统一的系统软件生态时，我们越来越意识到，需要面向 Triton 语言，基于已有的 Triton 编译器能力，构建一个可以真正面向多种 AI 芯片架构的增强型统一编译器 FlagTree 。

通过构建 FlagTree 开源社区，我们力图扩展 Triton 语言的上下游生态，重点解决当前 Triton 不足之处，更好地提升Triton语言在各种不同硬件架构上的性能，赋能人工智能技术开发者。

• 增强编译技术，提升性能：DSL 采用分层优化设计，基础层保留现有高级语法，满足大多数场景；专家层暴露底层硬件控制接口（如共享内存布局、Tensor Core 指令），允许开发者手动优化关键路径。硬件感知优化，针对硬件特性生成专用指令。

• 标准化硬件抽象层，提升多后端能力：定义统一的硬件中间表示（计算单元、内存层次、原子操作），隔离硬件差异。

• 加强社区治理与驱动力：通过治理委员会和社区技术委员会，引入多方代表（如硬件平台、深度学习框架平台、科研机构）共同决策技术路线，实现社区贡献的快速迭代。

2.2 从 OpenCL、OpenXLA、MLIR 到 FlagTree，我们需要吸取哪些经验和教训？

在 Chris 的文章中，他总结了 AI 产业界几次试图构建统一开源、面向多种硬件架构的技术尝试，包括OpenCL、TVM、OpenXLA、OneAPI、MLIR等。通过对这些项目的分析，我们认为以下几点十分重要。

• 需要有“诚意”的开源：跨硬件架构的系统软件技术难度大，对各方的开源合作要求较高。如果这类开源项目只包含了技术规范、或只把非核心部分开源出来（如OpenCL和OpenXLA在后期出现了类似情况），社区其他合作者会觉得主导方“有所保留”，整个社区也不会全力以赴。此外，如果企业总是拿自己的内部版本和开源版本来竞争，以证明内部版本优于开源版本，也会不利于开源社区的发展。智源研究院作为一个中立的、非营利的机构牵头 FlagTree 的开源建设，一定程度保证了开源项目的“诚意”属性，能够保证开源版本的领先性。

• 有一个稳定的团队来保障项目的愿景和执行。要支持多种AI硬件的开源项目，除了本身要克服“通用性“和”专用极致优化”之间的技术矛盾，更为挑战的是，如何协调多硬件厂商之间的合作共建。从 MLIR 的例子看到，如果没有一个团队来保证整个项目的发展方向、来对最后的可用性和领先性负责，完全靠社区自治，是很容易走向碎片化和技术分叉，甚至再次走入困境。智源团队有着从大模型算法、到训推框架、到算子库和编译器多层次的经验，一直秉承开源合作、创新突破、发展社区的理念。智源团队在 FlagTree 中很高兴能承担此重任，与各生态成员单位一同前行、合作共赢。

• 避免技术的碎片化：我们看到无论是 OpenCL、TVM 还是 MLIR ，经过一段时间的发展后，项目都容易分裂成多个互不兼容的分支。虽然在一开始是希望由统一的代码来支持多种硬件架构，但最终还是分裂为不同代码仓库，支持不同硬件平台。如今，我们看到在 Triton 的上游社区也出现了这种情况，各机构平台为了支持 Triton ，各自不得已 fork 了自己的版本仓库。上层用户一方面无法获得一站式的代码，另一方面因为各个 fork 分支版本不一样，导致许多前后兼容的问题无法避免。所以，FlagTree 从编译器软件架构层面就开始支持多种硬件后端，通过统一的集成和测试，保障同一个代码版本可以在多种硬件上稳定支持。

当然，在平衡“通用统一“和“极致优化“这两个技术目标上，我们很难同时做到最好，这也是 FlagTree 这个项目的重要技术挑战。如何通过好的编译器架构设计、接口设计、优化策略和算法创新，让这两大目标之间的 trade-off 代价最小，是需要 FlagTree 开源社区成员单位不断突破，不断协同创新。

关于 FlagTree 开源社区

FlagTree 开源社区是由芯片硬件平台、深度学习框架平台、非营利性组织、科研机构等十多家国内外机构共同发起并创立的。2025年3月，FlagTree 开源社区正式建立并开启运营工作。项目治理委员会（GB）、技术指导委员会（TSC）和项目管理委员会（PMC）的相继成立，对 FlagTree 的技术发展将形成强有力的组织保障。

FlagTree 开源社区希望以开放合作的方式，打造一个面向多种芯片的开源、统一 AI 编译器，扩展 Triton 语言的上下游生态，赋能大模型技术开发者。通过统一多后端的编译器，FlagTree 社区能够建立起一个支持多种芯片硬件架构（GPGPU、DSA、RISC-V AI等）的生态，从而实现跨硬件平台运行，为开发者提供更多选择，推动 AI 技术的普及和多元发展。

FlagTree 开源地址：

https://gitee.com/flagtree/flagtree

https://github.com/FlagTree/flagtree