DeepSeek sur Ascend : une nouvelle pile logicielle, mais pas encore de comparaison équitable avec Nvidia

Le 30 septembre 2026, DeepSeek a publié des versions adaptées à la plateforme Ascend de six composants couvrant la programmation de noyaux, le calcul, l’attention, la sélection de données et la communication distribuée. Cette pile fournit des outils pour exécuter des charges de travail d’IA sur du matériel Huawei. Mais les éléments disponibles ne démontrent ni des performances équivalentes à celles de Nvidia dans un test comparable, ni l’achèvement d’un entraînement de grande ampleur de V4 sur Ascend. 25

Les six composants publiés

Les outils reprennent des rôles tenus par des composants de DeepSeek conçus pour la plateforme Nvidia, avec des implémentations adaptées à Ascend lorsque nécessaire. 25

• TileLang est un outil de programmation et de compilation de noyaux à haut niveau. Sa prise en charge d’Ascend permet de développer des noyaux pour le matériel Huawei ; elle ne signifie pas que ceux-ci sont identiques aux versions destinées à Nvidia. 25
• DeepGEMM est une bibliothèque de multiplication de matrices. Son portage pour Ascend conserve la compatibilité de l’API DeepGEMM et prend en charge BF16, FP8 et FP4, ainsi que MQA logits et MegaMoE. Le projet décrit des optimisations propres à Ascend, notamment le chargement de données creuses et le pipeline fondé sur des coroutines. 17
• TileKernels fournit des noyaux généralistes ; FlashMLA propose des noyaux d’attention creuse pour le préremplissage et le décodage sur Ascend 950 ; DeepSelect sert à sélectionner ou filtrer les données. 91444
• DeepEP gère la communication distribuée, notamment les opérations d’envoi et de recombinaison pour le parallélisme par experts. Ses API publiques de buffers sont alignées sur celles de la version Nvidia, mais l’implémentation Ascend s’appuie sur des interfaces logicielles et matérielles propres à Ascend. 19

Cette correspondance peut faciliter le travail des développeurs. Elle ne prouve cependant ni l’identité des mécanismes internes, ni une parité complète des fonctionnalités, ni des vitesses comparables entre les deux plateformes.

Ce que montrent les chiffres sur Ascend 950

Un test de DeepEP rapporté sur du matériel Ascend affiche 375 Go/s en dispatch et 347 Go/s en combine. Ces valeurs mesurent les performances de communication sur Ascend ; elles ne constituent pas une comparaison directe avec Nvidia. 1947

Pour l’inférence, un test rapporté de DeepSeek-V4.1-Flash a été réalisé sur un système Ascend 950 UBL128, avec une stratégie de déploiement EP32, un contexte de 128K et une exécution hors ligne. Avec un réglage de 5 ms de temps par jeton généré (TPOT), le débit annoncé est de 2 469 jetons générés par seconde et par carte. À 10 ms de TPOT, il atteint 5 102 jetons par seconde et par carte. Les chiffres publiés excluent les surcoûts liés à l’ordonnancement du service et à l’équilibrage de charge du framework. 47

Ces résultats correspondent à une configuration précise, pas à une garantie de débit pour tous les usages. Le dépôt DeepEP indique que ses mesures ont été réalisées avec un kit matériel de développement de preuve de concept (PoC), configuré manuellement. Un autre compte rendu précise que les chiffres reposaient sur un micrologiciel PoC et évoque une version commerciale prévue aux alentours du 15 octobre. Le micrologiciel et la configuration sont donc importants pour interpréter les résultats ou tenter de les reproduire. 1219

Les informations publiées ne détaillent pas suffisamment tous les réglages d’inférence pour permettre une reproduction indépendante complète, et ne font état d’aucune validation indépendante à grande échelle par des tiers. Il ne faut donc pas considérer ces chiffres comme une comparaison vérifiée avec des systèmes Nvidia. 47

Le réseau SuperPoD Flex et UBL128 annoncé par Huawei

Huawei et DeepSeek ont présenté une conception conjointe appelée SuperPoD Flex / UBL128, fondée sur Ascend 950. Les comptes rendus décrivent une configuration de montée en échelle (« scale-up ») de 128 cartes avec un réseau à un étage de 3,2 Tbit/s, ainsi qu’une architecture de montée en charge (« scale-out ») à deux étages, conçue pour s’étendre jusqu’à 256 000 cartes. Il s’agit d’une capacité annoncée pour la conception, pas de la preuve qu’un entraînement DeepSeek a été exécuté sur un système de cette taille. 104749

Huawei a également indiqué que les travaux menés conjointement seraient partagés via la communauté CANN. Les domaines mentionnés comprennent le déploiement de modèles, l’entraînement à grande échelle, la mise en pool du cache KV pour les longs contextes et l’apprentissage par renforcement agentique. 14

Ce qui reste à démontrer

La publication établit l’existence d’une pile logicielle Ascend plus complète, et le test rapporté montre une configuration d’inférence hors ligne bien définie. Mais ni la correspondance entre les composants ni l’architecture de montée en charge annoncée ne confirment qu’un entraînement complet de V4 a eu lieu sur Ascend. Les mesures citées ne démontrent pas non plus des performances équivalentes à Nvidia : elles portent sur un autre matériel, sans test comparatif réalisé dans des conditions identiques. 251947

La conclusion la plus prudente est que DeepSeek a publié des logiciels Ascend substantiels et que Huawei a décrit une architecture système ainsi que certains résultats de test. La transposition de ces résultats à d’autres charges de travail, tout comme leur comparaison avec Nvidia dans un protocole contrôlé, reste à établir.