DeepSeeks Ascend-Stack: Was die Benchmarks zeigen – und was offenbleibt

DeepSeek hat am 30. September 2026 Ascend-Versionen von sechs Infrastrukturkomponenten veröffentlicht. Sie decken unter anderem Kernel-Programmierung, Rechenoperationen, Aufmerksamkeit und verteilte Kommunikation ab. Damit gibt es mehr Bausteine, um KI-Workloads auf Huaweis Hardware auszuführen. Die vorliegenden Daten belegen jedoch weder einen Leistungsvergleich unter gleichen Bedingungen mit Nvidia noch ein vollständiges V4-Training auf Ascend. 25

Welche Komponenten DeepSeek veröffentlicht hat

Die Ascend-Versionen entsprechen funktional Komponenten aus DeepSeeks Nvidia-orientiertem Software-Umfeld. Das bedeutet aber nicht, dass die Implementierungen intern identisch sind oder dieselbe Leistung erreichen. 25

• TileLang ist ein Werkzeug zur Programmierung und Kompilierung von Rechenkernen, den sogenannten Kernels. Die Ascend-Unterstützung ermöglicht es, solche Bausteine für Huaweis Hardware zu entwickeln. 25
• DeepGEMM ist eine Bibliothek für Matrixmultiplikationen. Die Ascend-Portierung behält die DeepGEMM-API bei und unterstützt BF16-, FP8- und FP4-Operationen sowie MQA logits und MegaMoE. Laut Projekt kommen dabei Ascend-spezifische Optimierungen zum Einsatz, darunter sparsames Laden von Daten und Coroutine-basiertes Pipelining. 17
• TileKernels stellt allgemeine Rechenkerne bereit. FlashMLA umfasst Sparse-Attention-Kernels für Prefill und Decoding auf Ascend 950. DeepSelect dient der Auswahl beziehungsweise Filterung von Daten. 91444
• DeepEP übernimmt Kommunikation zwischen Beschleunigern, darunter Dispatch- und Combine-Operationen für Expert Parallelism. Die öffentlichen Buffer-APIs sind an die Nvidia-Version angelehnt; die Ascend-Implementierung nutzt jedoch eigene Software- und Hardwareschnittstellen. 19

Eine ähnliche API oder eine funktionale Entsprechung erleichtert die Arbeit mit verschiedenen Plattformen. Sie ist für sich genommen aber kein Beleg für identische Funktionen oder vergleichbare Geschwindigkeit.

Was die Messwerte auf Ascend 950 aussagen

Ein veröffentlichter DeepEP-Test auf Ascend-Hardware nennt 375 GB/s beim Dispatch und 347 GB/s beim Combine. Das sind Messwerte zur Kommunikation auf Ascend – kein direkter Vergleich mit Nvidia. 1947

Für die Inferenz wird ein Test mit DeepSeek-V4.1-Flash auf einem Ascend-950-UBL128-System beschrieben. Die Angaben lauten: EP32 als Deployment-Strategie, ein 128K-Kontext und Offline-Inferenz. Bei einer Time per Output Token (TPOT) von 5 ms wurden demnach 2.469 Ausgabetokens pro Sekunde und Karte erreicht; bei 10 ms TPOT waren es 5.102 Tokens pro Sekunde und Karte. Serving-Planung und Framework-Aufwand für die Lastverteilung waren in den Zahlen nicht enthalten. 47

Diese Ergebnisse gelten für die angegebene Konfiguration und sind keine allgemeine Durchsatzgarantie. Das DeepEP-Repository beschreibt die Messungen als Tests mit einem manuell eingerichteten Proof-of-Concept-Entwicklungspaket (PoC). Ein weiterer Bericht verweist ebenfalls auf PoC-Firmware und nennt eine für etwa den 15. Oktober geplante kommerzielle Version. Firmware und Testaufbau sind daher wichtig, wenn man die Zahlen einordnen oder nachmessen will. 1219

Die verfügbaren Angaben reichen nicht aus, um sämtliche Inferenzbedingungen unabhängig nachzustellen. Auch eine groß angelegte unabhängige Drittprüfung wird nicht beschrieben. Die Zahlen sind deshalb kein verifizierter Vergleich mit Nvidia-Systemen. 47

Huaweis SuperPoD-Flex- und UBL128-Entwurf

Huawei und DeepSeek beschrieben einen gemeinsam definierten SuperPoD-Flex-/UBL128-Entwurf für Ascend 950. Genannt wird ein Scale-up-Netzwerk mit 128 Karten und 3,2 Tbit/s über eine Switch-Stufe. Ein zweistufiger Scale-out-Aufbau soll eine Erweiterung auf 256.000 Karten ermöglichen. Das beschreibt die angegebene Architekturkapazität – nicht den Nachweis, dass ein DeepSeek-Training mit einem Cluster dieser Größe stattgefunden hat. 104749

Huawei erklärte zudem, gemeinsame Ergebnisse über die CANN-Community zugänglich zu machen. Die berichteten Themen umfassen Modellbereitstellung, Training im großen Maßstab, Pooling von KV-Caches für lange Kontexte und agentisches Reinforcement Learning. 14

Was noch nicht belegt ist

Die Veröffentlichung zeigt, dass DeepSeek mehr Ascend-Software bereitstellt; der gemeldete Inferenzlauf dokumentiert eine konkrete Offline-Konfiguration. Weder die Entsprechung der Komponenten noch die angekündigte Skalierbarkeit des Netzwerks bestätigen jedoch ein V4-Training im großen Maßstab auf Ascend. Und die genannten Messwerte belegen keine Nvidia-äquivalente Leistung: Es handelt sich um unterschiedliche Hardware, für die kein Test unter gleichen Bedingungen vorliegt. 251947

Die vorsichtige Einordnung: DeepSeek hat relevante Software für Ascend veröffentlicht, und Huawei hat einen Systementwurf samt ausgewählten Testergebnissen vorgestellt. Wie gut sich diese Resultate auf andere Arbeitslasten übertragen lassen – und wie die Systeme in einem kontrollierten Vergleich mit Nvidia abschneiden –, bleibt offen.