AI-translated from English; not yet reviewed by a fluent editor.

# DeepSeek تطلق نوى DeepGEMM لمعالجات Huawei Ascend 950

> توفر مكتبة النوى الجديدة من DeepSeek لمعالجات Ascend 950 واجهات DeepGEMM المعروفة وشيفرتها المصدرية. وتحدد متطلباتها المسبقة والاختبارات المعيارية التي نشرتها الشركة بنفسها نطاق ما يستطيع المطورون تقييمه.

By BIG CHANGE Editorial

Published: 2026-09-30T17:47:47.035Z
Updated: 2026-09-30T17:47:47.035Z
Canonical: https://bigchange.ai/blog/deepseek-deepgemm-ascend-950-kernels

![Conceptual charcoal illustration of a generic rackmount computer chassis in an open test rack, seen from behind with two cables routed down the frame.](https://bigchange.ai/api/media/file/deepgemm-ascend-evaluation-rack-hero-v2.png)
AI-generated by OpenAI; BIG CHANGE conceptual editorial illustration.

نشرت DeepSeek [إصدار Ascend من مكتبة نوى DeepGEMM](https://github.com/deepseek-ai/DeepGEMM-Ascend) للمطورين الذين يعملون على وحدات NPU من سلسلة Huawei 950. يؤرخ ملف README في المستودع الإصدار الأول في 30 سبتمبر 2026، وتعرّف حزمة Python نفسها بأنها الإصدار 0.1.0. ويمنح ذلك الفرق نقطة انطلاق مفتوحة المصدر لضرب المصفوفات وعمليات النماذج ذات الصلة على هذا العتاد. أما أرقام الأداء المتاحة حتى الآن فمستمدة من اختبارات DeepSeek نفسها.

يهم هذا الإصدار المهندسين الذين يقيّمون حزمة برمجيات Ascend لأنه يتيح الشيفرة المصدرية للنوى ونقاط الدخول المألوفة في DeepGEMM، إلى جانب طريقة موثقة لبناء الامتداد. ولا يزال قياس أداء النموذج الكامل وتكلفة التشغيل يتطلب اختبار أحمال العمل على النظام المستهدف.

## ما الذي يتضمنه الإصدار

DeepGEMM مكتبة لعمليات المصفوفات المتكررة في نماذج الذكاء الاصطناعي. ويورد [README الخاص بـ Ascend](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/main/README.md) نوى GEMM بصيغ BF16 وFP8 وFP4، وعمليات مجمعة لنماذج مزيج الخبراء، وMQA logits، وعملية MegaMoE مدمجة، ونواة mHC prenorm. وتعرض [صادرات حزمة Python](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) دوال GEMM كثيفة ومجمعة، ودوال MQA، وأدوات مساعدة لتنسيق عوامل القياس، وعناصر تحكم لتجميع JIT واستخدام AI core. ويخضع المستودع لترخيص MIT.

تقول DeepSeek إن منفذ Ascend متوافق بالكامل على مستوى API مع [DeepGEMM upstream](https://github.com/deepseek-ai/DeepGEMM#interfaces). وقد يساعد تطابق `deep_gemm` اسم الحزمة وجزء كبير من الواجهة العامة على نقل الشيفرة، لكن README يحدد اختلافًا مهمًا في تنسيق البيانات: تجمع Ascend كل زوج من عوامل القياس UE8M0 على امتداد K في قيمة من 16 بت `int16` وتخزن القيم المجمعة بترتيب MN-major. وتصدر الحزمة دوال لتحويل عوامل القياس إلى التنسيق المطلوب. ولا يزال على التطبيق الذي يستخدم مدخلات مكمّمة توفير بيانات ملائمة والتحقق من نتائجه؛ فالتوافق ادعاء من القائمين على الصيانة، وليس اختبار ترحيل أجرته BIG CHANGE.

## ما يحتاجه المطور لتجربته

المتطلبات [الموثقة](https://github.com/deepseek-ai/DeepGEMM-Ascend#requirements) هي وحدة NPU من Ascend وCANN 9.20 مع `bisheng` و `ld.lld` كأدوات، `torch_npu`، وPython 3.10 أو أحدث، ومترجم ومكتبة قياسية يدعمان C++20 `<format>`. ويقول القائمون على الصيانة إن التطوير والتحقق أُجريا على سلسلة Ascend 950. `tilelang` مدرجة كاعتمادية للحزمة الخاصة بنواة HC prenorm؛ و `tree-sitter` و `tree-sitter-cpp` مطلوبتان لإنشاء قوالب الأنواع عند البناء من المصدر. ولا يحدد README `torch_npu` إصدارها ولا يثبت التحقق على أجهزة Ascend أخرى.

يوجه README المطورين إلى استنساخ المستودع مع وحداته الفرعية وبناء امتداد C++ عبر `develop.sh`، أو تثبيته من المصدر المستنسخ باستخدام `pip install . --no-build-isolation`. ويستورد [إعداد البناء](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/setup.py) يستورد `torch` و `torch_npu`، ويعثر على مجموعة أدوات Ascend عبر `ASCEND_HOME_PATH` أو `ASCEND_TOOLKIT_HOME`، ثم يربط مكتبات Ascend وTorch NPU. لذا يتطلب تقييم النوى العتاد وسلسلة الأدوات المناسبين. ويتضمن المستودع [اختبارات العمليات](https://github.com/deepseek-ai/DeepGEMM-Ascend/tree/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests)أيضًا. فحصت BIG CHANGE الوثائق والشيفرة، لكنها لم تشغّل عملية البناء أو النوى.

## ما الذي تثبته الاختبارات المعيارية

تقول DeepSeek إنها قاست الأداء على Ascend 950DT مع CANN 9.20 باستخدام `bench_msprof` ومع ذاكرة L2 باردة. ولشكل واحد من ضرب المصفوفات الكثيفة BF16، حيث M=4096 وN=7168 وK=16384، يعرض [جدول الأداء](https://github.com/deepseek-ai/DeepGEMM-Ascend#performance) 2,229.9 ميكروثانية و431 TFLOPS و99.8% من حد العتاد الوارد في الجدول. وللشكل نفسه، أبلغت عن 1,117.6 ميكروثانية و861 TFLOPS في FP8×FP8. هذه قياسات للنوى عند أنواع وأشكال محددة، وليست قياسًا لمعدل إنتاج النموذج. ويعرض الجدول أيضًا نتائج GEMM المجمعة وMQA وMegaMoE وprenorm وفق إعدادات كل منها؛ ومتوسط أرقام MegaMoE مبني على ثماني رتب، وتوازٍ للخبراء بمقدار ثمانية، وتوجيه top-k بقيمة ستة، وخبير مشترك واحد.

يقارن [كود الاختبار](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py) يقارن مخرجات GEMM بمراجع مولدة ويستخدم تحققًا متقاطعًا عبر ACLNN للحالات الكثيفة المدعومة. ويتجاوز هذا التحقق الإضافي صراحةً في بعض الأشكال والوصفات. تتيح الشيفرة والاختبارات المنشورة فحص الادعاءات، لكن BIG CHANGE لم تكرر أرقام README بصورة مستقلة. ولا يقدم الإصدار مقارنة معيارية مماثلة مع حزمة مسرّعات أخرى، أو مقارنة للتكلفة، أو نتيجة لخدمة متكاملة من البداية إلى النهاية.

## التغيير الأهم

أصدرت DeepSeek شيفرة نوى DeepGEMM Ascend لسلسلة Ascend 950.

يمكن للمطورين فحص عمليات GEMM المألوفة والعمليات الأخرى المرتبطة بالنماذج وبناؤها لهذا العتاد. ويوثق الإصدار CANN 9.20 وتنسيق عوامل قياس خاصًا بـ Ascend.

أصبح لدى فرق Ascend 950 الآن كود نوى لتقييمه على أشكال نماذجها. وتقول DeepSeek إنها سجلت نتائج قريبة من الحد في إعداد اختبار واحد على Ascend 950DT؛ ولم تشغّل BIG CHANGE هذه النوى.

لا يزال أداء التطبيقات الكاملة، ودعم أجهزة Ascend الأخرى، وتكلفة التشغيل بحاجة إلى تحديد.

## المصادر ومزيد من القراءة

- [مستودع DeepGEMM Ascend وملف README](https://github.com/deepseek-ai/DeepGEMM-Ascend): سجل إصدار 30 سبتمبر، والمتطلبات المسبقة، وادعاءات الواجهات، وجداول الاختبارات المعيارية التي أعدها المشروع. README مصدر أولي من القائمين على صيانة المشروع، وليس تحققًا مستقلًا.
- [صادرات الحزمة](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py)و[إعداد البناء](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/setup.py): الإصدار والدوال العامة في Python وإعلان الاعتمادات وربط البناء من المصدر في أول commit.
- [إطار اختبار GEMM](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py): كيفية فحص المستودع للمخرجات واستدعائه للمحلل، بما في ذلك الحالات التي يُتجاوز فيها تحقق ACLNN. لا تعيد هذه الملفات إنتاج الأرقام المنشورة بصورة مستقلة.

## Sources

- [DeepSeek AI، مستودع DeepGEMM Ascend وملف README](https://github.com/deepseek-ai/DeepGEMM-Ascend) — المصدر الأولي للواجهات والمتطلبات والتثبيت والاختبارات المعيارية التي أعدها المشروع؛ والأرقام المنشورة ليست نتائج مستقلة.
- [أول commit علني](https://github.com/deepseek-ai/DeepGEMM-Ascend/commit/8491bbb4b8c02a094a2318965f50c70438a3e73c) — يعود أول commit علني إلى 01:07 UTC؛ واستخدم لتثبيت مراجعة المصدر والتحقق من توقيت الإصدار.
- [صادرات حزمة DeepGEMM Ascend لـ Python](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) — الإصدار 0.1.0 ودوال GEMM وMQA وMegaMoE المتاحة، وتنسيق القياس وعناصر تحكم JIT؛ ولا تثبت الصادرات أن الوظائف تعمل على أنظمتنا.
- [إعداد البناء وإطار اختبار GEMM](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py) — منطق الاختبار ومراجع الصحة وفحوص ACLNN المشروطة؛ ففحص الشيفرة لا يعادل إعادة الاختبارات المعيارية.