DeepSeek lanserer Ascend-verktøy: Dette viser testene – og dette vet vi ikke

DeepSeeks publisering 30. september 2026 gir utviklere flere byggeklosser for å kjøre AI-arbeidslaster på Huaweis Ascend-maskinvare. Pakken omfatter seks komponenter for blant annet beregning og kommunikasjon mellom brikker. Men at programvaren har motstykker i DeepSeeks Nvidia-rettede verktøy, betyr ikke at plattformene har lik ytelse. Det er heller ikke bekreftet at DeepSeek gjennomførte fullskala trening av V4 på Ascend. 25

Seks komponenter – ulike oppgaver

Komponentene er laget for roller som også finnes i DeepSeeks programvare rettet mot Nvidia, men flere av implementasjonene er tilpasset Ascend-maskinvaren. 25

• TileLang er et høynivåverktøy for å programmere og kompilere kjerner – små programdeler som utfører beregninger på brikken. Ascend-støtten gjør det mulig å utvikle kjerner for Huawei-maskinvare, men betyr ikke at koden er identisk med Nvidia-versjonen. 25
• DeepGEMM er et bibliotek for matriseberegninger. Ascend-utgaven beholder DeepGEMM-API-et og støtter BF16-, FP8- og FP4-operasjoner, i tillegg til MQA-logitter og MegaMoE. Prosjektet beskriver også Ascend-spesifikke optimaliseringer, blant annet glissen datalasting og rørlegging basert på korutiner. 17
• TileKernels tilbyr generelle kjerner, FlashMLA har kjerner for forhåndsbehandling og dekoding med glissen oppmerksomhet på Ascend 950, og DeepSelect brukes til utvalg eller filtrering av data. 91444
• DeepEP håndterer kommunikasjon mellom enheter, blant annet utsending og sammenstilling av data i ekspertparallell kjøring. De offentlige buffer-API-ene er tilpasset Nvidia-versjonen, mens Ascend-utgaven bruker egne programvare- og maskinvaregrensesnitt for plattformen. 19

Likheter i API-er og funksjoner kan gjøre det enklere for utviklere å jobbe på tvers av plattformer. De beviser likevel ikke at løsningene har identiske interne implementasjoner, full funksjonslikhet eller samme hastighet.

Hva testtallene fra Ascend 950 viser

En rapportert DeepEP-test på Ascend-maskinvare målte 375 GB/s ved utsending og 347 GB/s ved sammenstilling. Tallene beskriver kommunikasjonsytelse på Ascend; de er ikke resultatet av en direkte test mot Nvidia. 1947

En rapportert inferenstest med DeepSeek-V4.1-Flash ble kjørt på et Ascend 950 UBL128-system med EP32 som distribusjonsstrategi, 128K kontekst og inferens uten serverdrift. Ved 5 ms tid per utgangstoken (TPOT) ble det oppgitt 2 469 genererte token per sekund per kort. Ved 10 ms TPOT var tallet 5 102 token per sekund per kort. Rapporten oppgir at tallene ikke inkluderer kostnader fra serverplanlegging eller lastbalansering i rammeverket. 47

Dette er resultater for bestemte oppsett, ikke en generell garanti for gjennomstrømning. DeepEP-prosjektet oppgir at målingene ble gjort med en manuelt konfigurert maskinvareutviklingspakke for konseptutprøving (PoC). En annen rapport sier at tallene bygget på PoC-fastvare, og viser til en kommersiell versjon som etter planen skulle komme rundt 15. oktober. Fastvare og oppsett er derfor relevante når tallene skal tolkes eller forsøkes gjenskapt. 1219

Rapporteringen som er lagt fram, gir ikke nok detaljer til at alle innstillingene for inferenstesten kan gjenskapes uavhengig. Den beskriver heller ingen omfattende, uavhengig tredjepartstesting. Resultatene bør derfor ikke leses som en verifisert sammenligning med Nvidia-systemer. 47

Huaweis SuperPoD Flex- og UBL128-design

Huawei og DeepSeek har beskrevet en fellesutformet løsning for Ascend 950 kalt SuperPoD Flex / UBL128. Opplysningene beskriver en skaleringsløsning med 128 kort og et nettverk på 3,2 Tbps i ett trinn. En totrinns løsning for skalering mellom systemer er oppgitt å kunne utvides til 256 000 kort. Dette er en beskrevet kapasitet i designet – ikke dokumentasjon på at DeepSeek har trent en modell på et system av denne størrelsen. 104749

Huawei opplyste også at resultater fra samarbeidet skulle deles gjennom CANN-fellesskapet. Det rapporterte innholdet omfatter modellutrulling, trening i stor skala, samling av KV-hurtigbuffer for lange kontekster og agentisk forsterkningslæring. 14

Hva som fortsatt ikke er dokumentert

Utgivelsen viser at DeepSeek har publisert en bredere programvarestakk for Ascend, og den rapporterte inferenstesten gir et konkret eksempel på ytelse i ett oppsett. Men verken liknende programvarekomponenter eller en oppgitt skaleringsarkitektur bekrefter at fullskala V4-trening er gjennomført på Ascend. Testtallene viser heller ikke at Ascend yter på nivå med Nvidia: De gjelder annen maskinvare, og rapportene beskriver ingen sammenlignbar test på tvers av plattformene. 251947

Den mest presise konklusjonen er derfor at DeepSeek har publisert relevante programvarekomponenter for Ascend, mens Huawei har lagt fram en systemarkitektur og utvalgte testresultater. Hvordan resultatene overføres til andre arbeidslaster – og hvordan Ascend gjør det mot Nvidia i en kontrollert sammenligning – er fortsatt uavklart.