Open SourceGeschäft & Markt 🇨🇳 24.07.2026 02:03

Alibaba macht KI-Software-Stack SAIL als Open Source verfügbar: Über 260 Frameworks sofort einsatzbereit

Alibaba/QwenAlibaba/Qwen
Die Chip-Sparte von Alibaba, T-Head, hat ihren KI-Software-Stack SAIL als Open Source veröffentlicht, der die Grundlage für die Zhenwu-Serie von KI-Chips bildet. Der Stack umfasst Treiber, Laufzeitumgebung, Compiler, Bibliotheken und Tools und unterstützt über 260 gängige KI-Frameworks. Mit über 560.000 ausgelieferten Zhenwu-Chips zielt der Schritt darauf ab, die Hürden für Entwickler zu senken und ein offenes Ökosystem zu fördern.
Auf der WAIC 2026 kündigte Alibabas T-Head die Öffnung seines proprietären KI-Software-Stacks SAIL (Seed of AI Library) als Open Source an. SAIL ist die zugrundeliegende Software für die KI-Chips der Zhenwu-Serie und deckt die gesamte Kette von der Betriebssystemschicht über die SDK-Schicht bis zur Schnittstellenschicht ab. Es verfügt über unabhängige geistige Eigentumsrechte und ist vollständig kompatibel mit den gängigen KI-Ökosystemen. Die Open-Source-Veröffentlichung umfasst Quellcode, Treiber, Tools und Dokumentation und ist in der T-Head-Entwicklergemeinschaft verfügbar. Bis April 2026 wurden über 560.000 Zhenwu-KI-Chips ausgeliefert, die mehr als 400 Kunden in über 20 Branchen bedienen. Sie wurden in Alibaba Cloud und verschiedenen Unternehmensproduktionsumgebungen eingesetzt und haben massive Verkehrsspitzen wie den Double 11 überstanden. Der Stack besteht aus fünf Schichten: Treiber und Laufzeitumgebung (PPU Runtime und PPU Driver), Programmiersprache (C/C++- und Python-Schnittstellen), Compiler (Compiler und Debugger), Hochleistungsbibliotheken (Mathematikbibliotheken wie acBLAS, acFFT, acDNN; Codec-Bibliotheken HGENC, HGDEC; Kommunikationsbibliotheken PCCL und sailSHMEM; Erweiterungsbibliothek acext und ML-Bibliothek HGML) sowie Entwicklungstools (Asight Compute für operative Analyse, Asight Systems für Systemanalyse, PPU-SMI für Geräteüberwachung, PPU-DCGM für Cluster-Ressourcenplanung). SAIL unterstützt über 260 gängige Trainings- und Inferenzframeworks, darunter PyTorch, TensorFlow, vLLM und SGLang, mit einer durchschnittlichen Anpassungszeit von weniger als sieben Tagen für neue Modelle. T-Head möchte ein Ökosystem aufbauen, indem es die Einstiegshürde senkt und globale Entwickler, Forschungseinrichtungen sowie Industriepartner einlädt, gemeinsam Tools zu entwickeln, das Operator-Ökosystem zu bereichern und die Leistung zu optimieren.
Quelle: QbitAI 量子位 — Original
Unsere früheren Beiträge zu diesem Thema ↓
Aktuelle Nachrichten