近日，2026 人工智能开放计算大会暨众智 FlagOS 技术大会在北京举行，大会以 "一栈贯通，智算无界" 为主题，辉羲智能计算生态负责人关义金受邀出席，并发表演讲《具身智能时代的计算基础设施》，分享面向机器人规模部署的计算架构、软件工具链与开放生态实践。

辉羲智能认为，具身智能模型持续演进，端侧计算平台需要将芯片的可编程能力，转化为能够持续适配、优化和部署模型的工程能力。围绕自研 RPU 计算内核，辉羲智能布局 RhinoForge 推理工具链、Rhino Model Zoo 模型库及 RhinoStudio 开发套件，将底层运行能力、模型参考设计与开发流程逐步沉淀为可复用的软件资产，支撑具身智能大算力芯片承接新模型与复杂任务。

RhinoForge：深入模型执行，底层能力跨模型复用

模型从研发环境迁移到端侧设备，需要完成框架接入、硬件适配，并处理内存规划、执行调度与连续推理等工程问题。RhinoForge 将可复用的底层运行能力沉淀在统一框架中，使模型适配与性能优化能够建立在已有工程能力之上。

在 PyTorch 开发体系中，RhinoForge 将 RPU 接入为自定义设备，为模型和策略提供推理接口，让开发者在这一开发体系下开展面向 RPU 的模型适配。

在执行层面，RhinoForge 支持融合模型执行、图捕获与重放，捕获并复用可重复的执行过程；结合片上内存规划、多核执行和数据搬运管理，协调模型运行中的计算任务与数据流转。优化由此深入任务执行、内存使用和多核协同等环节，为开发者根据具体模型与硬件条件开展调优提供基础。

围绕新模型接入，RhinoForge 提供统一运行入口、按模型组织的配置文件、输入准备说明、量化脚本与调试文档。模型移植辅助流程先分析现有路径、适配需求和能力缺口，再开展移植与针对性验证，并结合后训练量化、运行时配置与性能分析优化推理表现。

这一体系的价值，在于让底层工程投入能够持续复用。开发者可以围绕新模型的差异开展工作，减少重复处理运行机制与部署细节，将研发精力集中于模型适配和性能优化。

RhinoForge 的实用性与可靠性已在多家具身智能客户的部署项目中得到验证。项目源码采用 Apache 2.0 许可证开放，为开发者参与适配、扩展与优化提供入口。

开源链接：https://github.com/HUIXI-AI/RhinoForge

Rhino Model Zoo：性能可复测，让适配成果成为开发起点

模型的性能与精度结果，需要对应明确的运行条件，才能为芯片评估、模型选型和后续开发提供依据。Rhino Model Zoo 围绕具体模型提供 RPU 参考设计，将适配实现、测试方法与运行条件一并组织起来，让评测结果能够被理解、复测和继续使用。

每个参考设计提供适配代码、推理实现与测试脚本，说明模型如何接入 RPU、怎样准备输入、如何启动运行以及验证结果。模型条目同时记录软硬件环境、输入条件、部署配置及精度与性能指标，并提供按任务、模型类型、推理方式和精度筛选的目录视图，帮助开发者比较候选模型与部署路径。

Rhino Model Zoo 中的模型经过性能调优与精度对齐验证。开发者获取工具链和适配代码、自行下载对应模型权重后，可以按条目配置运行测试。在模型权重、软硬件版本、输入条件和测试方法一致时，可复现相应性能与精度结果。

其中，集成的 CI/CD 机制持续执行测试，帮助识别代码或配置变更带来的结果差异，提升验证过程的稳定性与可复现性。

由此，一次模型适配可以沉淀为包含代码、配置与测试方法的参考设计。开发者既能据此评测 RPU 在具体任务下的表现，也能继续开展定制适配、性能调优与上层应用开发，将已有适配成果转化为后续项目的工程起点。

Rhino Studio：将部署经验组织为可调用的开发流程

随着模型适配与部署实践积累，开发知识、工具操作和项目经验也需要更有效地组织。Rhino Studio 是一款面向具身智能任务端侧部署的开发套件，目标是将分散在文档、代码和项目实践中的经验，转化为开发者可以调用的工作环境。

Rhino Studio 围绕本地化交付、工具直连和流程复用展开设计：通过内置知识库融合开发文档、硬件手册与部署案例，为技术问答提供依据；通过接口调用编译器、SDK 及仿真环境，减少多个工具之间的手动切换；将部署与调优流程封装为可复用的 Skills，帮助开发者复用已有实践，降低对个人经验的依赖。

面向复杂任务，其设计支持多 Agent 协同、任务拆解与编排，通过 Harness 工程关注的过程记录、回放与审计，使执行步骤更易追踪，便于复现过程和定位问题。

Rhino Studio 的建设方向，在于逐步覆盖模型适配、仿真模拟、板卡调试与真机部署，让开发者在同一工作环境中完成从模型到设备的开发验证，并使知识、代码与流程能够随项目持续迭代。

从 RhinoForge 沉淀底层运行能力，到 Rhino Model Zoo 积累可复测的参考设计，再到 Rhino Studio 推进开发流程复用，辉羲智能正在将模型部署中的工程经验转化为可持续积累的软件能力。

在开放生态方面，辉羲智能 RPU 计算内核已接入众智 FlagOS 生态，并基于 FlagTree 完成 Triton 3.6 集成。开发者可在相应工具链与运行环境下，通过 Triton 开展面向 Huixi Embodied R1 系列芯片的算子开发、迁移与优化。

具身智能的规模化发展，需要计算基础设施持续承接模型创新，并将工程实践积累为可复用的产业能力。辉羲智能围绕自研芯片建设软件工具链，通过开放生态连接更多开发者与合作伙伴，推动模型适配、执行优化与部署经验持续积累，让芯片、软件与应用相互促进、共同演进，为具身智能规模化部署构建持续发展的算力与软件基础。

（来源：辉羲智能）