DeepSeek julkaisi Ascend-työkalut – mutta vertailu Nvidian tehoon jää vielä auki

DeepSeek julkaisi 30. syyskuuta 2026 kuusi Huawei Ascend -alustalle sovitettua infrastruktuurikomponenttia. Ne kattavat kernelien ohjelmoinnin ja laskennan lisäksi tarkkaavaisuuden, datan valinnan ja laitteiden välisen tiedonsiirron. Julkaisu tuo Ascendille lisää työkaluja AI-kuormien ajamiseen, mutta saatavilla olevat tiedot eivät osoita suorituskyvyn vastaavan Nvidiaa vertailukelpoisessa testissä. Ne eivät myöskään vahvista, että DeepSeek olisi kouluttanut V4-mallin täysimittaisesti Ascendilla. 25

Mitä DeepSeek julkaisi?

Komponentit vastaavat tehtäviltään DeepSeekin Nvidiaan suunnattuja työkaluja, mutta Ascend-versiot käyttävät tarvittaessa alustalle omia toteutuksia. Vastaavuus tai yhteensopiva ohjelmointirajapinta ei tarkoita, että toteutukset olisivat sisäisesti samanlaisia, ominaisuuksiltaan täysin yhteneviä tai yhtä nopeita. 25

• TileLang on korkean tason työkalu laskentakernelien ohjelmointiin ja kääntämiseen. Ascend-tuki tarjoaa tavan kehittää kerneleitä Huawein laitteistolle, mutta ei tarkoita, että Ascend- ja Nvidia-versiot olisivat identtisiä. 25
• DeepGEMM on matriisikertolaskujen kirjasto. Ascend-versio säilyttää DeepGEMM-ohjelmointirajapinnan ja tukee BF16-, FP8- ja FP4-laskentaa sekä MQA-logiitteja ja MegaMoE:tä. DeepSeek kertoo optimoineensa toteutusta Ascendille muun muassa harvalla datan latauksella ja korutiineihin perustuvalla putkituksella. 17
• TileKernels tarjoaa yleiskäyttöisiä kerneleitä, FlashMLA harvan tarkkaavaisuuden esitäyttö- ja dekoodauskerneleitä Ascend 950:lle, ja DeepSelect vastaa datan valinnasta tai suodatuksesta. 91444
• DeepEP hoitaa hajautettua tiedonsiirtoa, kuten asiantuntijarinnakkaisuuden dispatch- ja combine-operaatioita. Sen julkiset puskurirajapinnat vastaavat Nvidia-version rajapintoja, mutta Ascend-toteutus käyttää Ascendille ominaisia ohjelmisto- ja laitteistorajapintoja. 19

Mitä Ascend 950:n suorituskykyluvuista voi päätellä?

DeepEP:lle raportoitiin Ascend-laitteistolla 375 GB/s dispatch-nopeus ja 347 GB/s combine-nopeus. Luvut kuvaavat tiedonsiirtoa Ascend-järjestelmässä, eivätkä ne ole suora rinnakkaistesti Nvidian laitteistolla. 1947

Raportoidussa DeepSeek-V4.1-Flash-testissä käytettiin Ascend 950 UBL128 -järjestelmää, EP32-asettelua, 128K:n kontekstia ja offline-päättelyä. Asetuksella, jossa yhden tulostokenin ajaksi (TPOT) määriteltiin 5 ms, tulokseksi ilmoitettiin 2 469 tulostokenia sekunnissa korttia kohti. 10 ms:n TPOT-asetuksella vastaava luku oli 5 102 tokenia sekunnissa korttia kohti. Lukuihin ei sisältynyt palvelun ajoituksen eikä ohjelmistokehyksen kuormantasaamisen yleiskustannuksia. 47

Tulokset koskevat tiettyä kokoonpanoa, eivätkä ne takaa samaa läpimenoa muissa kuormissa. DeepEPin GitHub-kuvauksen mukaan mittaukset tehtiin Ascend 950DT -suorittimilla, CANN 9.2.0 -ohjelmistolla ja käsin määritellyllä PoC-laitteistokehityspaketilla. Toisen raportin mukaan käytössä oli PoC-laiteohjelmisto, ja kaupallisen julkaisun kerrottiin olevan suunnitteilla noin 15. lokakuuta. Laitteisto, laiteohjelmisto ja testiasetukset ovat siis olennaisia, kun lukuja tulkitaan tai yritetään toistaa. 1219

Saatavilla olevat raportit eivät anna riittävästi tietoa jokaisen päättelyasetuksen riippumattomaan toistamiseen, eivätkä ne kuvaa laajamittaista riippumatonta kolmannen osapuolen validointia. Siksi lukuja ei pidä tulkita vahvistetuksi suorituskykyvertailuksi Nvidia-järjestelmiin. 47

Huawei kuvasi SuperPoD Flex- ja UBL128-ratkaisua

Huawei ja DeepSeek kertoivat yhdessä määritellystä Ascend 950 SuperPoD Flex / UBL128 -ratkaisusta. Kuvauksen mukaan scale-up-kokoonpanossa on 128 korttia ja 3,2 Tbps:n yksivaiheinen verkko. Kaksivaiheisen scale-out-rakenteen kerrotaan olevan suunniteltu laajennettavaksi 256 000 korttiin. Tämä on ilmoitettu arkkitehtuurin laajennuskyky, ei näyttö siitä, että sen kokoisella järjestelmällä olisi ajettu DeepSeekin koulutustyö. 104749

Huawei kertoi myös, että yhteisen kehitystyön tuloksia jaettaisiin CANN-yhteisössä. Raportoidut aiheet kattavat mallien käyttöönoton, laajamittaisen koulutuksen, pitkän kontekstin KV-välimuistin poolauksen ja agenttisen vahvistusoppimisen. 14

Mitä ei ole vielä osoitettu?

Julkaisu osoittaa, että DeepSeek on tuonut Ascendille laajemman ohjelmistopinon, ja raportoidussa päättelytestissä esiteltiin yksi tarkasti määritelty offline-kokoonpano. Komponenttien vastaavuus Nvidia-versioihin tai ilmoitettu laajennusarkkitehtuuri ei kuitenkaan vahvista, että V4 olisi koulutettu täysimittaisesti Ascendilla. Myöskään julkaistut testiluvut eivät osoita Nvidia-tasoista suorituskykyä: laitteistot ovat erilaisia, eikä saatavilla olevissa raporteissa ole rinnakkaista alustojen välistä testiä samoilla ehdoilla. 251947

Varovaisin johtopäätös on, että DeepSeek on julkaissut merkittävän joukon Ascend-ohjelmistoa ja Huawei on kuvannut järjestelmäarkkitehtuuria sekä valikoituja testituloksia. Se, miten tulokset yleistyvät muihin kuormiin tai vertautuvat Nvidiaan kontrolloidussa testissä, on edelleen avoin kysymys.