DeepSeek для Huawei Ascend: шість компонентів і результати, які варто читати обережно

30 вересня 2026 року DeepSeek відкрив версії для платформи Huawei Ascend шести компонентів, що охоплюють програмування обчислювальних ядер, матричні обчислення, механізми уваги, відбір даних і розподілений обмін інформацією. Ці інструменти створюють основу для запуску AI-навантажень на обладнанні Huawei. Але наявні дані не доводять, що Ascend зрівнявся з NVIDIA у продуктивності, або що DeepSeek провів повномасштабне навчання V4 на Ascend. 25

Що саме випустив DeepSeek

Нові компоненти мають відповідники в програмному стеку DeepSeek для NVIDIA, однак версії для Ascend використовують реалізації, пристосовані до платформи Huawei. 25

• TileLang — високорівневий інструмент для програмування та компіляції обчислювальних ядер. Підтримка Ascend дає змогу розробляти ядра для обладнання Huawei, але не означає, що вони ідентичні версіям для NVIDIA. 25
• DeepGEMM — бібліотека матричних обчислень. Порт для Ascend зберігає API DeepGEMM і підтримує BF16, FP8 та FP4, а також MQA logits і MegaMoE. У проєкті також описані оптимізації для Ascend, зокрема розріджене завантаження даних і конвеєрна обробка на основі корутин. 17
• TileKernels надає ядра загального призначення; FlashMLA — ядра розрідженої уваги для попереднього заповнення контексту й декодування на Ascend 950; DeepSelect відповідає за відбір або фільтрацію даних. 91444
• DeepEP забезпечує розподілений обмін даними, зокрема операції dispatch і combine для паралельної роботи експертів. Публічні API буферів узгоджені з версією для NVIDIA, але реалізація для Ascend використовує власні програмні й апаратні інтерфейси цієї платформи. 19

Спільність API чи наявність відповідників корисні розробникам, але самі собою не доводять однакової внутрішньої будови, повної сумісності функцій або порівнянної швидкодії на двох платформах.

Що показали тести на Ascend 950

В оприлюдненому тесті DeepEP на обладнанні Ascend вказано 375 ГБ/с для dispatch і 347 ГБ/с для combine. Це показники обміну даними на Ascend, а не результат прямого порівняння з NVIDIA. 1947

Для інференсу в описаному тесті DeepSeek-V4.1-Flash використовували систему Ascend 950 UBL128, стратегію розгортання EP32, контекст 128K і режим offline-інференсу. За налаштування 5 мс на вихідний токен (TPOT) заявлено 2 469 вихідних токенів за секунду на картку; за 10 мс TPOT — 5 102 токени за секунду на картку. У підрахунки не включали накладні витрати на планування обслуговування запитів і балансування навантаження у фреймворку. 47

Це результати конкретної конфігурації, а не гарантія такої швидкості для інших завдань. Репозиторій DeepEP зазначає, що вимірювання проводили з вручну налаштованим комплектом розробки обладнання для підтвердження концепції (PoC). Інший матеріал повідомляє, що використовували PoC-прошивку, а комерційний реліз планували орієнтовно на 15 жовтня. Версія прошивки та конфігурація мають значення для тлумачення й відтворення результатів. 1219

Наведених відомостей недостатньо, щоб незалежно відтворити всі параметри інференс-тесту, а масштабної незалежної перевірки сторонніми фахівцями не описано. Тому ці цифри не слід сприймати як підтверджене порівняння із системами NVIDIA. 47

Що Huawei розповіла про SuperPoD Flex і UBL128

Huawei та DeepSeek описали спільно визначену архітектуру Ascend 950 SuperPoD Flex / UBL128. За повідомленнями, конфігурація для масштабування всередині системи (scale-up) передбачає 128 карток і мережу з одним рівнем комутації на 3,2 Тбіт/с. Дворівнева архітектура для масштабування між системами (scale-out), як заявлено, має підтримувати розширення до 256 000 карток. Це заявлена можливість архітектури, а не свідчення, що DeepSeek запускав навчальне завдання такого масштабу. 104749

Huawei також заявила, що спільні напрацювання будуть доступні через спільноту CANN. За повідомленнями, вони охоплюють розгортання моделей, масштабне навчання, пулінг KV-кешу для довгих контекстів і агентне навчання з підкріпленням. 14

Чого ці дані не доводять

Реліз розширює програмний стек DeepSeek для Ascend, а наведений тест демонструє конкретну конфігурацію offline-інференсу. Проте ні відповідність компонентів, ні заявлена можливість масштабування не підтверджують повномасштабного навчання V4 на Ascend. Так само наведені показники не доводять рівності з NVIDIA: йдеться про різне обладнання, а доступні матеріали не містять зіставного тесту на обох платформах. 251947

Найобережніше прочитання таке: DeepSeek опублікував суттєвий набір програмних інструментів для Ascend, а Huawei описала архітектуру системи й окремі результати вимірювань. Наскільки ці результати перенесуться на інші завдання і як Ascend покаже себе в контрольованому порівнянні з NVIDIA — поки що не встановлено.