Vad DeepSeeks Ascend-stack gör – och vad mätningarna faktiskt visar

DeepSeek släppte den 30 september 2026 Ascend-versioner av sex komponenter för allt från kärnprogrammering och beräkning till uppmärksamhet, dataurval och kommunikation mellan acceleratorer. Programvaran ger byggstenar för att köra AI-arbetslaster på Huaweis hårdvara. Men underlaget visar inte att prestandan matchar Nvidia i en jämförbar test, och bekräftar inte att DeepSeek har tränat V4 i full skala på Ascend. 25

Sex komponenter – sex olika uppgifter

Komponenterna motsvarar delar av DeepSeeks programvarustack för Nvidia, men Ascend-versionerna använder plattformsspecifika implementationer där det behövs. 25

• TileLang är ett verktyg för att programmera och kompilera beräkningskärnor. Ascend-stödet gör det möjligt att utveckla kärnor för Huaweis hårdvara, men innebär inte att de är identiska med Nvidia-versionerna. 25
• DeepGEMM är ett bibliotek för matrismultiplikation. Ascend-portningen behåller DeepGEMM:s API och stöder BF16-, FP8- och FP4-beräkningar samt MQA-logits och MegaMoE. Projektet beskriver även Ascend-anpassningar, bland annat gles dataladdning och pipeline-körning med koroutiner. 17
• TileKernels innehåller allmänna beräkningskärnor. FlashMLA tillhandahåller kärnor för förbehandling och avkodning med gles uppmärksamhet på Ascend 950. DeepSelect används för urval eller filtrering av data. 91444
• DeepEP sköter kommunikation mellan acceleratorer, däribland dispatch- och combine-operationer för expertparallell körning. De publika buffert-API:erna är anpassade till Nvidia-versionen, men Ascend-implementationen använder Huaweis egna gränssnitt för programvara och hårdvara. 19

Gemensamma API:er och motsvarande komponenter kan underlätta för utvecklare. Men de bevisar inte att plattformarna har identiska interna lösningar, full funktionsparitet eller samma hastighet.

Vad Ascend 950-siffrorna säger

I ett rapporterat test av DeepEP på Ascend-hårdvara uppmättes 375 GB/s för dispatch och 347 GB/s för combine. Det är siffror för kommunikation på Ascend – inte en jämförelse sida vid sida med Nvidia. 1947

En rapporterad inferenskörning med DeepSeek-V4.1-Flash använde ett Ascend 950 UBL128-system, strategin EP32, en kontext på 128K och offline-inferens. Vid en inställning på 5 ms per utmatad token (TPOT) uppgavs genomströmningen vara 2 469 utmatade token per sekund och kort. Vid 10 ms TPOT uppgavs den vara 5 102 token per sekund och kort. Siffrorna exkluderade belastning från schemaläggning av serveringstjänsten och ramverkets lastbalansering. 47

Resultaten gäller alltså en specifik konfiguration, inte en generell garanti för genomströmning. DeepEP:s GitHub-projekt beskriver sina mätningar som utförda med ett manuellt konfigurerat utvecklingspaket för proof of concept (PoC). En annan rapport uppger att siffrorna byggde på PoC-fastvara och hänvisar till en kommersiell version som planerades till omkring den 15 oktober. Fastvaran och testuppställningen spelar därför roll när siffrorna ska tolkas eller försökas återskapas. 1219

Rapporteringen ger inte tillräckligt med detaljer för att oberoende återskapa alla inferensinställningar, och beskriver ingen storskalig oberoende tredjepartsvalidering. Resultaten bör därför inte läsas som en verifierad jämförelse med Nvidia-system. 47

Huaweis SuperPoD Flex och UBL128

Huawei och DeepSeek har beskrivit en gemensamt utformad lösning med Ascend 950, SuperPoD Flex och UBL128. Enligt rapporteringen omfattar den en scale-up-konfiguration med 128 kort och ett enstegs nätverk på 3,2 Tbps. En tvåstegs scale-out-design uppges kunna byggas ut till 256 000 kort. Det är en beskriven konstruktionskapacitet – inte belägg för att ett DeepSeek-träningsjobb faktiskt kördes på en anläggning i den storleken. 104749

Huawei uppgav också att resultaten av samarbetet skulle delas via CANN-communityn. Rapporterad vägledning omfattar bland annat modelldistribution, storskalig träning, KV-cache-pooling för långa kontexter och agentbaserad förstärkningsinlärning. 14

Det som ännu inte är visat

Släppet visar att DeepSeek har publicerat en bredare programvarustack för Ascend, och den rapporterade inferenskörningen visar en specifik konfiguration. Men varken motsvarande komponenter eller en annonserad scale-out-design bekräftar att V4 har tränats i full skala på Ascend. Benchmarkresultaten visar inte heller prestanda i nivå med Nvidia: de gäller annan hårdvara, och underlaget innehåller inget matchat test mellan plattformarna. 251947

Den mest försiktiga slutsatsen är att DeepSeek har publicerat betydande Ascend-programvara och att Huawei har beskrivit en systemarkitektur och utvalda testresultat. Hur väl resultaten överförs till andra arbetslaster – och hur Ascend står sig mot Nvidia i ett kontrollerat test – återstår att visa.