DeepSeek åbner sin Ascend-stack: Her er tallene og forbeholdene

DeepSeek offentliggjorde den 30. september 2026 Ascend-versioner af seks komponenter til AI-infrastruktur. De skal gøre det muligt at køre AI-arbejdsbelastninger på Huaweis hardware og svarer på flere områder til DeepSeeks software til Nvidia-platformen. Men de tilgængelige oplysninger dokumenterer hverken samme ydelse som Nvidia eller, at DeepSeek har gennemført fuldskala V4-træning på Ascend. 25

Hvilken software har DeepSeek frigivet?

Komponenterne dækker flere dele af arbejdet med at udvikle og køre AI-modeller. At Ascend-versionerne svarer til Nvidia-versionerne på komponent- eller API-niveau betyder dog ikke, at de har identisk indmad, fuld funktionsparitet eller samme hastighed. 25

• TileLang er et programmerings- og kompileringsværktøj til AI-kernels – de små byggeklodser, der udfører beregningerne. Ascend-versionen gør det muligt at udvikle kernels til Huaweis hardware, men det betyder ikke, at de er identiske med Nvidia-versionerne. 25
• DeepGEMM er et bibliotek til matrixmultiplikation. Ascend-versionen har samme API som DeepGEMM og understøtter blandt andet BF16, FP8 og FP4 samt MQA-logits og MegaMoE. Den bruger også Ascend-specifikke optimeringer, som sparsom datalæsning og pipeline-kørsel baseret på coroutines. 17
• TileKernels leverer generelle kernels, FlashMLA indeholder kernels til præfyldning og afkodning med sparse attention på Ascend 950, og DeepSelect bruges til udvælgelse eller filtrering af data. 91444
• DeepEP står for kommunikation mellem acceleratorer, herunder dispatch- og combine-operationer i expert-parallelle systemer. De offentlige buffer-API’er følger Nvidia-versionen, mens Ascend-udgaven bruger Huaweis egne software- og hardwaregrænseflader. 19

Det kan gøre det lettere at arbejde med flere platforme, men ensartede API’er er ikke i sig selv dokumentation for ens ydelse.

Hvad viser målingerne på Ascend 950?

En rapporteret DeepEP-test på Ascend-hardware målte 375 GB/s ved dispatch og 347 GB/s ved combine. Det er tal for kommunikation på Ascend – ikke resultater fra en direkte sammenligning med Nvidia. 1947

En rapporteret inferenstest af DeepSeek-V4.1-Flash blev kørt offline på et Ascend 950 UBL128-system med EP32, en kontekst på 128K og to forskellige indstillinger for TPOT. TPOT betyder her tiden pr. genereret outputtoken:

• Ved 5 ms TPOT blev der rapporteret 2.469 outputtokens i sekundet pr. kort.
• Ved 10 ms TPOT blev der rapporteret 5.102 outputtokens i sekundet pr. kort.

Tallene omfattede ikke overhead fra serving-planlægning eller rammeværkets belastningsfordeling. 47

Resultaterne gælder altså en bestemt opsætning og er ikke en generel garanti for gennemløb på andre opgaver. DeepEP-repositoriet beskriver målingerne som udført med en manuelt konfigureret hardwareudviklingspakke til proof of concept, eller PoC. En anden omtale oplyser, at testen brugte PoC-firmware, og nævner en planlagt kommerciel udgave omkring 15. oktober. Firmware og opsætning er derfor vigtige, når man vurderer tallene eller forsøger at gentage testen. 1219

De tilgængelige oplysninger giver ikke nok detaljer til uafhængigt at genskabe alle inferensindstillinger, og de beskriver heller ikke en omfattende, uafhængig tredjepartstest. Resultaterne bør derfor ikke læses som en verificeret sammenligning med Nvidia-systemer. 47

Huaweis SuperPoD Flex og UBL128

Huawei og DeepSeek har beskrevet et fællesdefineret design til Ascend 950 kaldet SuperPoD Flex / UBL128. Ifølge rapporterne omfatter det et scale-up-netværk med 128 kort og 3,2 Tbps i et enkelt netværkslag. En topolog i to lag beskrives som skalerbar til 256.000 kort. Det er en oplyst designkapacitet – ikke dokumentation for, at DeepSeek har kørt et træningsjob på et system af den størrelse. 104749

Huawei har desuden oplyst, at resultater fra det fælles arbejde skal deles gennem CANN-fællesskabet. Den rapporterede dækning omfatter modeludrulning, træning i stor skala, puljedeling af KV-cache til lange kontekster og agentisk reinforcement learning. 14

Hvad er stadig ikke bevist?

Frigivelsen viser, at DeepSeek har udvidet sin Ascend-software med en række centrale værktøjer, og den rapporterede inferenstest viser en konkret offlineopsætning. Men hverken komponenternes ligheder med Nvidia-versionerne eller Huaweis beskrevne skaleringsdesign bekræfter, at fuldskala V4-træning er gennemført på Ascend.

De offentliggjorte målinger dokumenterer heller ikke Nvidia-paritet: De er lavet på anden hardware, og de tilgængelige kilder beskriver ingen sammenlignelig test på tværs af platformene. 251947

Den mest præcise læsning er derfor, at DeepSeek har offentliggjort en bredere softwarestack til Ascend, mens Huawei har beskrevet en systemarkitektur og udvalgte testresultater. Hvordan tallene overføres til andre arbejdsbelastninger – og hvordan Ascend klarer sig mod Nvidia under kontrollerede, ensartede testforhold – er fortsat uafklaret.