DeepSeek przenosi swój stos AI na Ascend. Wyniki są obiecujące, ale nieporównywalne z NVIDIĄ

30 września 2026 r. DeepSeek udostępnił wersje dla platformy Huawei Ascend sześciu komponentów wykorzystywanych w infrastrukturze AI — od narzędzi do programowania jąder obliczeniowych po komunikację między akceleratorami. Opublikowane wyniki pokazują działanie wybranych konfiguracji na sprzęcie Ascend 950, ale nie pozwalają porównać go wprost z NVIDIĄ. Nie potwierdzają też, że DeepSeek przeprowadził pełnoskalowy trening V4 na Ascend. 25

Sześć elementów stosu dla Ascend

Nowe komponenty odpowiadają funkcjonalnie narzędziom DeepSeek rozwijanym z myślą o platformie NVIDII. Nie oznacza to jednak, że ich wewnętrzna budowa, zakres funkcji czy szybkość są identyczne. 25

• TileLang to narzędzie wysokiego poziomu do programowania i kompilowania jąder, czyli podstawowych fragmentów kodu wykonujących obliczenia na akceleratorze. Wersja dla Ascend pozwala tworzyć oprogramowanie dla sprzętu Huawei, ale nie oznacza, że powstałe jądra są identyczne z tymi dla NVIDII. 25
• DeepGEMM to biblioteka operacji mnożenia macierzy. Port dla Ascend zachowuje zgodność API z DeepGEMM i obsługuje m.in. BF16, FP8, FP4, MQA logits oraz MegaMoE. Wykorzystuje przy tym optymalizacje dostosowane do Ascend, takie jak rzadkie wczytywanie danych i potokowanie oparte na korutynach. 17
• TileKernels udostępnia ogólne jądra obliczeniowe, FlashMLA — jądra rzadkiej uwagi dla fazy przetwarzania promptu i generowania odpowiedzi na Ascend 950, a DeepSelect służy do selekcji lub filtrowania danych. 91444
• DeepEP odpowiada za komunikację rozproszoną, w tym operacje rozdzielania i łączenia danych w modelach z równoległością ekspertów. Publiczne API buforów jest zgodne z wersją dla NVIDII, ale implementacja dla Ascend korzysta z własnych interfejsów programowych i sprzętowych tej platformy. 19

Zgodność interfejsów może ułatwić pracę programistom, którzy chcą korzystać z obu platform. Sama w sobie nie dowodzi jednak pełnej zgodności funkcji ani porównywalnej wydajności.

Co pokazują liczby z Ascend 950

W opisanym teście DeepEP na sprzęcie Ascend uzyskał 375 GB/s przy rozdzielaniu danych (dispatch) i 347 GB/s przy ich łączeniu (combine). To wyniki dotyczące komunikacji między urządzeniami w konfiguracji Ascend — nie test porównawczy z systemem NVIDII. 1947

Osobny test wnioskowania dotyczył modelu DeepSeek-V4.1-Flash uruchomionego offline na systemie Ascend 950 UBL128. Zastosowano strategię wdrożenia EP32 i kontekst o długości 128 tys. tokenów. Przy ustawieniu TPOT 5 ms — czyli czasie przypadającym na wygenerowany token — podano przepustowość 2469 tokenów wyjściowych na sekundę na kartę. Przy TPOT wynoszącym 10 ms było to 5102 tokeny na sekundę na kartę. W opublikowanych wartościach nie uwzględniono narzutu związanego z harmonogramowaniem obsługi zapytań ani równoważeniem obciążenia przez framework. 47

To wyniki dla konkretnej konfiguracji, a nie gwarancja podobnej przepustowości w każdym zastosowaniu. Repozytorium DeepEP opisuje pomiary wykonane z użyciem ręcznie skonfigurowanego zestawu rozwojowego typu proof of concept (PoC). Inny raport podaje, że test korzystał z oprogramowania układowego PoC, a komercyjne wydanie planowano na około 15 października. Wersja oprogramowania i szczegóły konfiguracji mają więc znaczenie przy interpretacji oraz próbie odtworzenia pomiarów. 1219

Dostępne materiały nie opisują wszystkich ustawień testu na tyle szczegółowo, by niezależnie odtworzyć cały pomiar. Nie przedstawiają też szerokiej, niezależnej weryfikacji przeprowadzonej przez podmiot zewnętrzny. Dlatego tych liczb nie należy traktować jako potwierdzonego porównania z systemami NVIDII. 47

Projekt Huawei: SuperPoD Flex i UBL128

Huawei i DeepSeek opisały wspólnie definiowany projekt SuperPoD Flex / UBL128 dla Ascend 950. Według doniesień konfiguracja scale-up ma obejmować 128 kart połączonych jednopoziomową siecią o przepustowości 3,2 Tb/s. Dwupoziomowy projekt scale-out ma z kolei umożliwiać rozbudowę do 256 tys. kart. To deklarowana możliwość architektury, a nie potwierdzenie, że klaster tej wielkości przeprowadził trening DeepSeek. 104749

Huawei informował również, że efekty wspólnych prac mają być udostępniane w społeczności CANN — środowisku oprogramowania dla akceleratorów Ascend. Wśród opisywanych obszarów znalazły się wdrażanie modeli, trening na dużą skalę, obsługa pamięci podręcznej KV przy bardzo długim kontekście oraz agentowe uczenie przez wzmacnianie. 14

Czego te dane nie potwierdzają

Publikacja pokazuje, że DeepSeek rozwija szerszy zestaw narzędzi dla Ascend. Opis testu wnioskowania dokumentuje też konkretną konfigurację offline. Ani podobieństwo komponentów do wersji dla NVIDII, ani projekt sieci przewidzianej do rozbudowy na dużą skalę nie dowodzą jednak, że pełnoskalowy trening V4 odbył się na Ascend. Podane wyniki nie potwierdzają również wydajności na poziomie NVIDII: dotyczą innego sprzętu, a dostępne źródła nie przedstawiają testu obu platform w tych samych warunkach. 251947

Najostrożniejszy wniosek jest taki: DeepSeek opublikował istotne komponenty oprogramowania dla Ascend, a Huawei przedstawił architekturę systemu i wybrane wyniki pomiarów. To, jak te wyniki przełożą się na inne obciążenia i jak Ascend wypada w kontrolowanym porównaniu z NVIDIĄ, pozostaje do sprawdzenia.