DeepSeek otevřel šest nástrojů pro čipy Huawei. Výkon proti Nvidii ale zatím srovnaný není

DeepSeek 30. září 2026 zveřejnil šest komponent infrastruktury pro čipy Huawei Ascend. Pokrývají programování výpočetních jader, maticové operace, pozornost, výběr dat i komunikaci mezi zařízeními. Jde o stavební díly pro provoz AI úloh na hardwaru Huawei, dostupné podoby softwaru ale nedokládají srovnatelný výkon s Nvidií ani nepotvrzují, že DeepSeek na Ascendu dokončil trénink V4 v plném měřítku. 25

Šest součástí jedné softwarové výbavy

Nové verze odpovídají komponentám, které DeepSeek dříve vydal pro platformu NVIDIA. To může vývojářům usnadnit orientaci a práci s podobnými rozhraními, samo o sobě to však neznamená totožné implementace, úplnou shodu funkcí ani stejnou rychlost. 25

• TileLang je nástroj pro programování a kompilaci výpočetních jader. Podpora Ascendu umožňuje vytvářet jádra pro hardware Huawei, neznamená ale, že jsou stejná jako jejich protějšky pro NVIDIA. 25
• DeepGEMM je knihovna pro násobení matic. Verze pro Ascend zachovává rozhraní API DeepGEMM a podporuje operace BF16, FP8 a FP4, výpočty MQA logits i MegaMoE. Využívá také optimalizace přizpůsobené Ascendu, například řídké načítání dat a překrývání práce pomocí korutin. 17
• TileKernels nabízí obecná výpočetní jádra, FlashMLA jádra pro předzpracování a dekódování řídké pozornosti na Ascendu 950 a DeepSelect slouží k výběru či filtrování dat. 91444
• DeepEP zajišťuje komunikaci mezi zařízeními, včetně operací rozesílání a slučování dat pro paralelní výpočty expertů. Veřejná rozhraní bufferů odpovídají těm ve verzi NVIDIA, implementace pro Ascend ale využívá vlastní softwarová a hardwarová rozhraní této platformy. 19

Shoda rozhraní nebo odpovídající role jednotlivých nástrojů mohou usnadnit portování. Nejsou však důkazem, že obě platformy dosahují stejného výkonu.

Co ukazují čísla z Ascendu 950

V jednom zveřejněném testu knihovny DeepEP na hardwaru Ascend dosáhla propustnost operace dispatch 375 GB/s a operace combine 347 GB/s. Jde o měření komunikace na Ascendu, nikoli o přímé srovnání s Nvidií. 1947

Zveřejněný test inference modelu DeepSeek-V4.1-Flash používal systém Ascend 950 UBL128, strategii nasazení EP32, kontext o délce 128 tisíc tokenů a offline režim. Při nastavení TPOT 5 ms — tedy času na jeden výstupní token — test uváděl 2 469 výstupních tokenů za sekundu na kartu. Při TPOT 10 ms šlo o 5 102 tokenů za sekundu na kartu. Uvedené hodnoty nezahrnovaly režii plánování obsluhy požadavků ani vyvažování zátěže ve frameworku. 47

Tyto výsledky se vztahují ke konkrétní konfiguraci, nejde o záruku stejné propustnosti pro libovolnou úlohu. Úložiště DeepEP uvádí, že měření proběhla s ručně nastaveným vývojovým balíčkem pro ověření konceptu (PoC). Další zpráva uvádí použití firmwaru PoC a zmiňuje komerční verzi plánovanou přibližně na 15. října. Při čtení i případném opakování testu proto záleží na firmwaru a přesném nastavení. 1219

Dostupné zprávy neuvádějí dost podrobností k nezávislému zopakování všech nastavení inference a nepopisují rozsáhlé ověření třetí stranou. Výsledky proto nelze považovat za potvrzené srovnání se systémy NVIDIA. 47

Huawei popsalo SuperPoD Flex a síť UBL128

Huawei a DeepSeek popsaly společně navržené řešení SuperPoD Flex / UBL128 pro Ascend 950. Podle zpráv má konfigurace pro rozšíření výkonu uvnitř systému (scale-up) propojit 128 karet sítí s jedinou úrovní přepínání o rychlosti 3,2 Tb/s. Dvoustupňová síť pro rozšíření do většího clusteru (scale-out) má být navržena až pro 256 000 karet. Jde o uváděnou schopnost návrhu, nikoli o doklad, že na takto velkém systému proběhl trénink modelu DeepSeek. 104749

Huawei také uvedl, že výsledky společné práce zpřístupní přes komunitu CANN. Zmiňované oblasti zahrnují nasazení modelů, rozsáhlý trénink, sdílení KV cache pro velmi dlouhý kontext a agentické posilované učení. 14

Co zatím potvrzené není

Vydání dokládá, že DeepSeek zveřejnil širší sadu softwarových komponent pro Ascend, a popsaný test ukazuje jednu konkrétní konfiguraci offline inference. Ani podobnost komponent s verzemi pro NVIDIA, ani deklarovaný návrh sítě pro velké clustery ale nepotvrzují trénink V4 v plném měřítku na Ascendu. Zveřejněné testy navíc neprokazují výkon na úrovni NVIDIA: měření používají jiný hardware a v dostupných zprávách není přímý, shodně nastavený test obou platforem. 251947

Nejstřízlivější závěr je, že DeepSeek zveřejnil podstatné softwarové nástroje pro Ascend a Huawei popsalo síťový návrh i vybrané výsledky testů. Jak se tyto výsledky přenesou na jiné úlohy a jak by si Ascend vedl v kontrolovaném srovnání s Nvidií, zatím zůstává otevřené.