Código AbiertoNegocios y Mercado 🇨🇳 24.07.2026 02:03

Alibaba libera su stack de software de IA SAIL: más de 260 frameworks listos para usar

Alibaba/QwenAlibaba/Qwen
La división de chips de Alibaba, T-Head, ha liberado como código abierto su stack de software de IA SAIL, que sustenta sus chips de la serie Zhenwu. El stack incluye controladores, runtime, compilador, bibliotecas y herramientas, y soporta más de 260 frameworks de IA convencionales. Con más de 560.000 chips Zhenwu enviados, el movimiento busca reducir las barreras para los desarrolladores y fomentar un ecosistema abierto.
En WAIC 2026, T-Head de Alibaba anunció la publicación como código abierto de su pila de software de IA propietaria SAIL (Seed of AI Library). SAIL es el software subyacente de la serie de chips de IA Zhenwu, que cubre toda la cadena desde la capa del sistema operativo, la capa del kit de desarrollo de software hasta la capa de interfaz, con derechos de propiedad intelectual independientes y total compatibilidad con los ecosistemas de IA convencionales. La versión de código abierto incluye código fuente, controladores, herramientas y documentación, disponible en la comunidad de desarrolladores de T-Head. A abril de 2026, los chips de IA Zhenwu han enviado más de 560.000 unidades, sirviendo a más de 400 clientes en más de 20 industrias, y se han implementado en Alibaba Cloud y diversos entornos de producción empresarial, superando picos de tráfico masivos como el Doble 11. La pila consta de cinco capas: Controlador y Tiempo de Ejecución (PPU Runtime y PPU Driver), Lenguaje de Programación (interfaces C/C++ y Python), Compilador (Compiler y Debugger), Bibliotecas de Alto Rendimiento (bibliotecas matemáticas como acBLAS, acFFT, acDNN; bibliotecas de códec HGENC, HGDEC; bibliotecas de comunicación PCCL y sailSHMEM; biblioteca de extensión acext y biblioteca de aprendizaje automático HGML), y Herramientas de Desarrollo (Asight Compute para perfilado a nivel de operador, Asight Systems para perfilado a nivel de sistema, PPU-SMI para monitoreo de dispositivos, PPU-DCGM para programación de recursos de clúster). SAIL soporta más de 260 marcos de entrenamiento e inferencia convencionales, incluidos PyTorch, TensorFlow, vLLM y SGLang, con un tiempo de adaptación promedio de menos de 7 días para nuevos modelos. T-Head busca construir un ecosistema reduciendo la barrera de entrada e invitando a desarrolladores globales, instituciones de investigación y socios de la industria a co-desarrollar herramientas, enriquecer el ecosistema de operadores y optimizar el rendimiento.
Fuente: QbitAI 量子位 — original
Nuestros artículos anteriores sobre este tema ↓
Noticias frescas