DeepSeeks AI-software voor Huawei: veelbelovende cijfers, maar geen eerlijke vergelijking met Nvidia

DeepSeek heeft op 30 september 2026 zes softwarecomponenten uitgebracht voor Huawei’s Ascend-platform. Samen ondersteunen ze onder meer kernelprogrammering, rekenwerk, aandachtmechanismen en communicatie tussen chips. Dat maakt het mogelijk AI-toepassingen op Huawei-hardware te draaien. Maar de beschikbare gegevens tonen geen vergelijkbare prestaties met Nvidia aan, en bevestigen evenmin dat DeepSeek een volledige training van V4 op Ascend heeft uitgevoerd. 25

Wat DeepSeek heeft uitgebracht

De nieuwe componenten sluiten qua rol aan op software die DeepSeek eerder voor Nvidia-platforms beschikbaar maakte. Waar nodig gebruiken de Ascend-versies eigen implementaties voor Huawei-hardware. 25

• TileLang is een programmeer- en compilatietool voor kernels: de bouwstenen die rekenwerk op AI-chips uitvoeren. Ascend-ondersteuning maakt het mogelijk kernels voor Huawei-hardware te ontwikkelen; dat betekent niet dat die kernels identiek zijn aan de Nvidia-versies. 25
• DeepGEMM is een bibliotheek voor matrixvermenigvuldiging. De Ascend-versie behoudt de DeepGEMM-API en ondersteunt BF16-, FP8- en FP4-bewerkingen, evenals MQA-logits en MegaMoE. Volgens het project maakt de implementatie gebruik van Ascend-specifieke optimalisaties, waaronder sparse data loading en pipelining op basis van coroutines. 17
• TileKernels biedt algemene kernels, FlashMLA bevat kernels voor sparse attention tijdens prefill en decoding op Ascend 950, en DeepSelect is bedoeld voor dataselectie of -filtering. 91444
• DeepEP verzorgt communicatie tussen apparaten, waaronder dispatch- en combinebewerkingen voor expert parallelism. De openbare buffer-API’s sluiten aan op die van de Nvidia-versie, maar de Ascend-implementatie gebruikt eigen software- en hardware-interfaces. 19

Een vergelijkbare API of overeenkomstige functie is handig voor ontwikkelaars, maar bewijst niet dat de platforms intern hetzelfde werken, dezelfde functies bieden of even snel zijn.

Wat de cijfers op Ascend 950 laten zien

Een gemelde test van DeepEP op Ascend-hardware kwam uit op 375 GB/s voor dispatch en 347 GB/s voor combine. Dat zijn cijfers voor communicatie op Ascend; ze vormen geen rechtstreekse vergelijking met Nvidia. 1947

Voor inferentie werd een test beschreven met DeepSeek-V4.1-Flash op een Ascend 950 UBL128-systeem. De opstelling gebruikte EP32, een context van 128K en offline inferentie. Bij een instelling van 5 ms per outputtoken (TPOT) bedroeg de gerapporteerde uitvoersnelheid 2.469 tokens per seconde per kaart. Bij 10 ms TPOT was dat 5.102 tokens per seconde per kaart. De genoemde cijfers omvatten geen overhead van de servingplanning of de load balancing van het framework. 47

Dit zijn resultaten voor specifieke instellingen, geen algemene garantie voor andere toepassingen. De DeepEP-repository vermeldt dat de metingen zijn gedaan met een handmatig geconfigureerd proof-of-concept-hardwareontwikkelpakket (PoC HDK). Een ander bericht schrijft dat PoC-firmware is gebruikt en noemt een commerciële release die rond 15 oktober werd verwacht. Firmware en configuratie zijn dus van belang bij het beoordelen en eventueel reproduceren van de cijfers. 1219

De beschikbare berichtgeving bevat niet genoeg details om alle instellingen van de inferentietest onafhankelijk te reproduceren. Ook is er geen grootschalige, onafhankelijke validatie door derden beschreven. De resultaten zijn daarom geen geverifieerde vergelijking met Nvidia-systemen. 47

Huawei’s SuperPoD Flex- en UBL128-ontwerp

Huawei en DeepSeek beschreven een gezamenlijk gedefinieerd ontwerp voor SuperPoD Flex / UBL128 op basis van Ascend 950. Volgens de berichten bestaat de scale-up-configuratie uit 128 kaarten met een netwerk in één schakeltrap van 3,2 Tbps. Een ontwerp met twee schakeltrappen voor scale-out zou uitbreiding tot 256.000 kaarten mogelijk maken. Dat is een beschreven ontwerpcapaciteit, geen bewijs dat DeepSeek een trainingsopdracht op een systeem van die omvang heeft uitgevoerd. 104749

Huawei zei ook dat gezamenlijk werk via de CANN-community zou worden gedeeld. De gemelde onderwerpen omvatten modelimplementatie, training op grote schaal, pooling van KV-cache voor lange contexten en agentische reinforcement learning. 14

Wat nog niet is aangetoond

De uitgave laat zien dat DeepSeek een bredere softwarestack voor Ascend heeft gepubliceerd. De gemelde inferentietest laat bovendien zien hoe één offline configuratie presteerde. Maar de overeenkomst tussen softwarecomponenten en een aangekondigd schaalbaar netwerk bewijzen niet dat een volledige V4-training op Ascend heeft plaatsgevonden. Ook tonen de benchmarkcijfers geen prestaties op Nvidia-niveau aan: ze zijn gemeten op andere hardware en er is geen vergelijkbare test op beide platforms beschreven. 251947

De voorzichtigste conclusie: DeepSeek heeft betekenisvolle software voor Ascend gepubliceerd en Huawei heeft een systeemontwerp en resultaten van specifieke tests toegelicht. Hoe die cijfers zich vertalen naar andere toepassingen — en hoe Ascend in een gecontroleerde test tegenover Nvidia presteert — is nog onduidelijk.