O que a infraestrutura Ascend da DeepSeek faz — e o que os benchmarks mostram

Em 30 de setembro de 2026, a DeepSeek lançou versões para Ascend de seis componentes que cobrem programação de kernels, computação, atenção, seleção de dados e comunicação distribuída. O conjunto oferece ferramentas para executar cargas de trabalho de IA em hardware da Huawei. Mas as evidências disponíveis não mostram uma comparação direta de desempenho com a NVIDIA nem confirmam que a DeepSeek tenha concluído um treinamento de grande escala do V4 em Ascend. 25

O que a DeepSeek lançou

Os componentes têm funções correspondentes às de ferramentas da DeepSeek voltadas à plataforma NVIDIA, mas as implementações para Ascend usam adaptações próprias. 25

• TileLang é uma ferramenta de programação de alto nível e compilação de kernels — blocos de código que executam operações computacionais. O suporte a Ascend permite desenvolver kernels para o hardware da Huawei, mas não significa que eles sejam idênticos às versões para NVIDIA. 25
• DeepGEMM é uma biblioteca para multiplicação de matrizes. A versão para Ascend mantém a API do DeepGEMM e oferece suporte a operações BF16, FP8 e FP4, além de MQA logits e MegaMoE. O projeto descreve otimizações específicas para Ascend, como carregamento esparso de dados e processamento em pipeline baseado em corrotinas. 17
• TileKernels reúne kernels de uso geral; FlashMLA oferece kernels de prefill e decodificação de atenção esparsa para Ascend 950; e DeepSelect cuida da seleção ou filtragem de dados. 91444
• DeepEP trata da comunicação distribuída, incluindo operações de dispatch e combine para paralelismo de especialistas. Suas APIs públicas de buffer seguem o padrão da versão NVIDIA, mas a implementação para Ascend usa interfaces de software e hardware específicas da plataforma. 19

Essa correspondência pode facilitar o trabalho de desenvolvedores, mas ter APIs ou componentes equivalentes não prova que as plataformas tenham o mesmo funcionamento interno, paridade completa de recursos ou desempenho comparável.

O que mostram os números do Ascend 950

Um teste divulgado do DeepEP em hardware Ascend registrou 375 GB/s no dispatch e 347 GB/s no combine. Esses números descrevem o desempenho de comunicação no Ascend; não são resultado de uma comparação direta com a NVIDIA. 1947

Em inferência, um teste divulgado do DeepSeek-V4.1-Flash usou um sistema Ascend 950 UBL128, estratégia de implantação EP32, contexto de 128K e execução offline. Com 5 ms de tempo por token de saída (TPOT), o teste registrou 2.469 tokens de saída por segundo por placa; com TPOT de 10 ms, foram 5.102 tokens por segundo por placa. Os números não incluem os custos de escalonamento do serving nem o balanceamento de carga do framework. 47

São resultados de uma configuração específica, não uma garantia de vazão para qualquer uso. O repositório do DeepEP informa que as medições foram feitas com um pacote de desenvolvimento de hardware de prova de conceito configurado manualmente. Outro relato diz que os números usaram firmware de prova de conceito e menciona uma versão comercial prevista para aproximadamente 15 de outubro. Por isso, o firmware e a configuração precisam ser considerados ao interpretar ou tentar reproduzir os resultados. 1219

As informações disponíveis não detalham o suficiente todas as condições do teste de inferência para que ele seja reproduzido de forma independente, e não descrevem uma validação independente de grande escala por terceiros. Portanto, os resultados não devem ser tratados como uma comparação comprovada com sistemas NVIDIA. 47

O que a Huawei informou sobre SuperPoD Flex e UBL128

A Huawei e a DeepSeek descreveram um projeto Ascend 950 SuperPoD Flex / UBL128 definido em conjunto. Segundo os relatos, a configuração scale-up conecta 128 placas em uma rede de estágio único de 3,2 Tbps. O projeto scale-out, com dois estágios, foi apresentado como capaz de chegar a 256 mil placas. Isso é uma capacidade declarada de projeto, não uma evidência de que um sistema desse porte tenha executado um treinamento da DeepSeek. 104749

A Huawei também afirmou que os resultados do trabalho conjunto seriam compartilhados pela comunidade CANN, com conteúdo sobre implantação de modelos, treinamento em grande escala, agrupamento de KV cache para contextos longos e aprendizado por reforço agêntico. 14

O que ainda não foi comprovado

O lançamento amplia o conjunto de software da DeepSeek para Ascend, e o teste divulgado mostra uma configuração específica de inferência offline. Mas nem a correspondência entre componentes nem a escala anunciada para a rede confirmam um treinamento completo do V4 em Ascend. Os benchmarks citados também não demonstram desempenho equivalente ao da NVIDIA: foram feitos em outro hardware e os relatos disponíveis não apresentam um teste controlado, lado a lado, entre as plataformas. 251947

A leitura mais cautelosa é que a DeepSeek publicou um conjunto relevante de software para Ascend e que a Huawei apresentou uma arquitetura de sistema e resultados de testes específicos. Ainda não está esclarecido até que ponto esses resultados se aplicam a outras cargas de trabalho — ou como se comparam aos da NVIDIA em condições controladas.