DeepSeek su Ascend: una nuova suite software, ma il confronto con Nvidia è ancora aperto

Il 30 settembre 2026 DeepSeek ha rilasciato versioni per Huawei Ascend di sei componenti della propria infrastruttura software. La suite offre strumenti per eseguire carichi di lavoro AI sui chip Huawei; i dati disponibili, però, non dimostrano prestazioni equivalenti a quelle di Nvidia e non confermano che DeepSeek abbia completato su Ascend un addestramento di V4 su larga scala. 25

Sei componenti, funzioni diverse

I nuovi componenti hanno controparti nell’ecosistema software di DeepSeek per Nvidia, ma le implementazioni per Ascend possono usare tecniche e interfacce specifiche della piattaforma. 25

• TileLang è uno strumento di programmazione e compilazione di kernel, cioè le operazioni di basso livello che eseguono i calcoli sui chip. Il supporto Ascend permette di svilupparli per l’hardware Huawei, ma non implica che siano identici a quelli per Nvidia. 25
• DeepGEMM è una libreria per la moltiplicazione di matrici. La versione Ascend mantiene la compatibilità delle API e supporta operazioni BF16, FP8 e FP4, oltre a MQA logits e MegaMoE. Tra le ottimizzazioni specifiche per Ascend descritte dal progetto figurano il caricamento sparso dei dati e il pipelining basato su coroutine. 17
• TileKernels raccoglie kernel di uso generale; FlashMLA offre kernel di attenzione sparsa per prefill e decodifica su Ascend 950; DeepSelect si occupa della selezione o del filtraggio dei dati. 91444
• DeepEP gestisce la comunicazione distribuita, comprese le operazioni di dispatch e combine per il parallelismo tra esperti. Le API pubbliche dei buffer sono allineate a quelle della versione Nvidia, mentre l’implementazione Ascend usa interfacce software e hardware proprie della piattaforma. 19

Per chi sviluppa, API allineate e funzioni corrispondenti possono facilitare il lavoro. Non sono però una prova di identità interna, piena parità di funzionalità o velocità comparabile tra le due piattaforme.

I numeri dichiarati su Ascend 950

Un test riportato per DeepEP su hardware Ascend indica 375 GB/s in dispatch e 347 GB/s in combine. Sono misure di comunicazione su Ascend, non un confronto diretto con Nvidia. 1947

Per l’inferenza, un test riportato di DeepSeek-V4.1-Flash ha usato un sistema Ascend 950 UBL128, una configurazione EP32, un contesto da 128K e inferenza offline. Con un tempo per token in uscita (TPOT) di 5 ms, il dato dichiarato è di 2.469 token al secondo per scheda; con TPOT di 10 ms, sale a 5.102 token al secondo per scheda. I valori escludono i costi di pianificazione del serving e di bilanciamento del carico del framework. 47

Sono risultati riferiti a una configurazione precisa, non una garanzia di throughput per altri carichi di lavoro. Il repository DeepEP specifica che le misure sono state eseguite con un pacchetto hardware di sviluppo proof of concept (PoC) configurato manualmente; un altro resoconto segnala l’uso di firmware PoC e indica una versione commerciale prevista intorno al 15 ottobre. Firmware e configurazione contano quindi nell’interpretazione e nella riproduzione dei test. 1219

Le informazioni disponibili non descrivono abbastanza dettagli da permettere di riprodurre in modo indipendente ogni impostazione del test d’inferenza e non riportano una validazione indipendente su larga scala. I risultati non vanno dunque letti come un confronto verificato con sistemi Nvidia. 47

La rete SuperPoD Flex e UBL128

Huawei e DeepSeek hanno descritto un progetto congiunto per Ascend 950, denominato SuperPoD Flex / UBL128. Le fonti riportano una configurazione scale-up a 128 schede con rete a singolo livello da 3,2 Tbps e una progettazione scale-out a due livelli pensata per arrivare a 256.000 schede. Si tratta di una capacità dichiarata del progetto, non della prova che un addestramento DeepSeek sia stato eseguito su un sistema di quella dimensione. 104749

Huawei ha inoltre dichiarato che i risultati del lavoro congiunto sarebbero stati condivisi tramite la comunità CANN. Le attività riportate includono deployment dei modelli, addestramento su larga scala, pooling della KV cache per contesti lunghi e reinforcement learning agentico. 14

Cosa resta da dimostrare

Il rilascio amplia la disponibilità di software DeepSeek per Ascend e il test pubblicato documenta una specifica configurazione d’inferenza offline. Ma la corrispondenza tra componenti e la rete proposta non dimostrano che V4 sia stato addestrato integralmente su Ascend. Né i benchmark riportati attestano prestazioni pari a Nvidia: riguardano hardware diverso e le fonti non presentano un test comparativo condotto a parità di condizioni. 251947

La lettura più prudente è che DeepSeek abbia pubblicato componenti software rilevanti per Ascend e che Huawei abbia illustrato un’architettura di sistema insieme ad alcuni risultati di test. Resta da verificare quanto questi risultati siano trasferibili ad altri carichi di lavoro e come si confrontino con Nvidia in prove controllate.