DeepSeek для Huawei Ascend: новые компоненты, результаты тестов и важные оговорки

30 сентября 2026 года DeepSeek открыла версии для Huawei Ascend шести компонентов, охватывающих программирование вычислительных ядер, матричные операции, внимание, отбор данных и распределённую связь. Это строительные блоки для запуска ИИ-нагрузок на оборудовании Huawei. Но доступные данные не показывают сопоставимого теста Ascend и NVIDIA и не подтверждают, что DeepSeek провела полноценное обучение V4 на Ascend. 25

Что вошло в релиз

Компоненты для Ascend соответствуют по назначению инструментам DeepSeek, ориентированным на платформу NVIDIA. При этом под Huawei используются реализации, учитывающие особенности её аппаратуры. 25

• TileLang — высокоуровневый инструмент для программирования и компиляции вычислительных ядер. Поддержка Ascend позволяет разрабатывать ядра для оборудования Huawei, но не означает, что их реализация идентична версии для NVIDIA. 25
• DeepGEMM — библиотека матричных операций. Версия для Ascend сохраняет совместимость API и поддерживает BF16, FP8, FP4, MQA logits и MegaMoE. В ней также применяются специфичные для Ascend оптимизации, например разреженная загрузка данных и конвейерная обработка на корутинах. 17
• TileKernels предоставляет универсальные вычислительные ядра; FlashMLA — ядра разреженного внимания для предварительной обработки и декодирования на Ascend 950; DeepSelect отвечает за отбор и фильтрацию данных. 91444
• DeepEP предназначена для распределённой связи, в том числе для операций dispatch и combine при параллелизме экспертов. Публичные API буферов согласованы с версией для NVIDIA, однако реализация для Ascend использует собственные программные и аппаратные интерфейсы этой платформы. 19

Совпадение API и назначения упрощает работу разработчиков, но само по себе не доказывает полного совпадения внутренних механизмов, функциональности или скорости двух платформ.

Что показали тесты на Ascend 950

В одном из опубликованных тестов DeepEP на оборудовании Ascend указаны 375 ГБ/с для dispatch и 347 ГБ/с для combine. Это показатели связи на Ascend, а не результаты прямого сравнения с NVIDIA. 1947

Для инференса приводятся результаты офлайн-теста DeepSeek-V4.1-Flash на системе Ascend 950 UBL128. Использовались стратегия развёртывания EP32 и контекст 128K. При целевом времени на выходной токен (TPOT) 5 мс было заявлено 2 469 выходных токенов в секунду на карту, а при TPOT 10 мс — 5 102 токена в секунду на карту. В эти значения не включены накладные расходы планировщика сервинга и балансировки нагрузки фреймворка. 47

Эти цифры относятся к конкретной конфигурации и не гарантируют такой же пропускной способности в других сценариях. В репозитории DeepEP измерения описаны как проведённые с вручную настроенным комплектом разработки оборудования для проверки концепции (PoC). В другом сообщении говорится, что использовалась прошивка PoC, а коммерческую версию планировали выпустить примерно 15 октября. Поэтому прошивка и настройки важны при интерпретации результатов и попытке их воспроизвести. 1219

В доступных материалах недостаточно подробностей, чтобы независимо повторить все настройки инференса. В них также не описана масштабная независимая проверка третьей стороной. Поэтому эти результаты нельзя считать подтверждённым сравнением с системами NVIDIA. 47

Сеть SuperPoD Flex и UBL128

Huawei и DeepSeek описали совместно разработанную для Ascend 950 архитектуру SuperPoD Flex / UBL128. Согласно публикациям, конфигурация scale-up включает 128 карт и одноуровневую сеть с пропускной способностью 3,2 Тбит/с. Двухуровневую схему scale-out представили как архитектуру, которую можно расширить до 256 000 карт. Это заявленная возможность проекта, а не свидетельство, что на системе такого размера запускали обучение DeepSeek. 104749

Huawei также сообщила, что совместные наработки будут доступны через сообщество CANN. Среди заявленных направлений — развёртывание моделей, крупномасштабное обучение, пул KV-кэша для длинного контекста и агентное обучение с подкреплением. 14

Чего пока нельзя заключить

Релиз подтверждает появление более широкого набора ПО DeepSeek для Ascend, а опубликованный тест инференса показывает результат конкретной офлайн-конфигурации. Но соответствие компонентов друг другу и заявленная масштабируемость сети не подтверждают полноценное обучение V4 на Ascend. Приведённые показатели также не устанавливают паритет с NVIDIA: тесты выполнены на другом оборудовании, а сопоставимого межплатформенного испытания в доступных отчётах нет. 251947

Самый осторожный вывод таков: DeepSeek выпустила значимые программные компоненты для Ascend, а Huawei описала архитектуру системы и отдельные результаты тестов. Насколько эти показатели применимы к другим нагрузкам и как Ascend покажет себя в контролируемом сравнении с NVIDIA — пока открытый вопрос.