Edição em Markdown

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

# DeepSeek lança kernels do DeepGEMM para o Huawei Ascend 950

> A nova biblioteca de kernels da DeepSeek para o Ascend 950 oferece interfaces conhecidas do DeepGEMM e seu código-fonte. Os pré-requisitos e os benchmarks divulgados pela própria empresa delimitam o que os desenvolvedores podem avaliar.

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.

A DeepSeek publicou uma versão [Ascend de sua biblioteca de kernels DeepGEMM](https://github.com/deepseek-ai/DeepGEMM-Ascend) para desenvolvedores que trabalham com os NPUs da série 950 da Huawei. O README do repositório indica 30 de setembro de 2026 como data do lançamento inicial; o pacote Python se identifica como versão 0.1.0. Ele oferece às equipes um ponto de partida de código aberto para multiplicação de matrizes e operações relacionadas a modelos nesse hardware. Até agora, os números de desempenho vêm dos próprios testes da DeepSeek.

O lançamento é relevante para engenheiros que avaliam uma pilha de software Ascend porque expõe o código-fonte dos kernels e pontos de entrada conhecidos do DeepGEMM, além de documentar como compilar a extensão. O desempenho de modelos completos e o custo operacional ainda precisam ser testados com cargas de trabalho no sistema previsto.

## O que o lançamento inclui

O DeepGEMM é uma biblioteca para as operações matriciais usadas repetidamente em modelos de IA. O [README do Ascend](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/main/README.md) lista kernels GEMM BF16, FP8 e FP4, operações agrupadas para modelos de mistura de especialistas, logits MQA, uma operação MegaMoE fundida e um kernel mHC prenorm. As [exportações do pacote Python](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) mostram funções GEMM densas e agrupadas, funções MQA, auxiliares de layout de fatores de escala e controles de compilação JIT e uso de AI core. O repositório está sob a licença MIT.

A DeepSeek afirma que a versão Ascend é totalmente compatível em nível de API com o [DeepGEMM upstream](https://github.com/deepseek-ai/DeepGEMM#interfaces). O mesmo `deep_gemm` nome de pacote e boa parte da interface pública podem facilitar a migração de código, mas o README aponta uma diferença importante no layout dos dados: o Ascend agrupa cada par de fatores de escala UE8M0 ao longo de K em um valor de 16 bits `int16` e armazena os valores agrupados na ordem MN-major. O pacote exporta funções para converter os fatores de escala para o layout exigido. Uma aplicação que use entradas quantizadas ainda precisa fornecer dados adequados e validar seus próprios resultados; a compatibilidade é uma afirmação dos mantenedores, não um teste de migração feito pela BIG CHANGE.

## O que um desenvolvedor precisa para experimentar

Os [requisitos documentados](https://github.com/deepseek-ai/DeepGEMM-Ascend#requirements) são um NPU Ascend, CANN 9.20 com `bisheng` e `ld.lld` como ferramentas, `torch_npu`, Python 3.10 ou posterior e um compilador e uma biblioteca padrão compatíveis com C++20 `<format>`. Os mantenedores dizem que o desenvolvimento e a validação ocorreram na série Ascend 950. `tilelang` é declarado como dependência do pacote para o kernel HC prenorm; `tree-sitter` e `tree-sitter-cpp` são necessários para gerar stubs de tipos ao compilar a partir do código-fonte. O README não fixa uma versão do `torch_npu` nem comprova validação em outros dispositivos Ascend.

O README orienta os desenvolvedores a clonar o repositório com seus submódulos e compilar a extensão C++ por meio de `develop.sh`, ou instalá-la a partir do código-fonte obtido com `pip install . --no-build-isolation`. Sua [configuração de build](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/setup.py) importa `torch` e `torch_npu`, localiza o kit de ferramentas Ascend por meio de `ASCEND_HOME_PATH` ou `ASCEND_TOOLKIT_HOME` e vincula as bibliotecas Ascend e Torch NPU. Portanto, avaliar os kernels exige o hardware e a cadeia de ferramentas adequados. O repositório inclui [testes das operações](https://github.com/deepseek-ai/DeepGEMM-Ascend/tree/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests). A BIG CHANGE examinou a documentação e o código, mas não executou o build nem os kernels.

## Até onde vão os benchmarks

A DeepSeek relata medições em um Ascend 950DT com CANN 9.20, usando `bench_msprof` com o cache L2 frio. Para uma forma de multiplicação matricial BF16 densa, M=4096, N=7168 e K=16384, sua [tabela de desempenho](https://github.com/deepseek-ai/DeepGEMM-Ascend#performance) registra 2.229,9 microssegundos, 431 TFLOPS e 99,8% do limite de hardware indicado na própria tabela. Na mesma forma, relata 1.117,6 microssegundos e 861 TFLOPS para FP8×FP8. São medições de kernels em tipos e formas específicos, não medições de throughput de modelos. A tabela também apresenta resultados de GEMM agrupado, MQA, MegaMoE e prenorm em configurações próprias; os valores de MegaMoE são médias com oito ranks, paralelismo de especialistas de oito, roteamento top-k de seis e um especialista compartilhado.

O [código de teste](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py) compara as saídas de GEMM com referências geradas e usa uma verificação cruzada ACLNN nos casos densos compatíveis. Para algumas formas e receitas, ele ignora explicitamente essa comparação ACLNN suplementar. O código e os testes publicados permitem examinar as afirmações, mas a BIG CHANGE não reproduziu os números do README de forma independente. O lançamento não oferece um benchmark em condições equivalentes com outra pilha de aceleradores, uma comparação de custos nem um resultado de serviço de ponta a ponta.

## A principal mudança

A DeepSeek lançou o código dos kernels DeepGEMM Ascend para a série Ascend 950.

Os desenvolvedores podem inspecionar e compilar operações GEMM conhecidas e operações relacionadas a modelos para esse hardware. O lançamento documenta o CANN 9.20 e um layout de fatores de escala específico do Ascend.

Equipes com Ascend 950 agora têm código de kernel para avaliar com as formas de seus próprios modelos. A DeepSeek relata resultados próximos do limite em uma configuração de teste Ascend 950DT; a BIG CHANGE não executou os kernels.

O desempenho de aplicações completas, o suporte a outros dispositivos Ascend e o custo operacional ainda precisam ser estabelecidos.

## Fontes e leituras adicionais

- [Repositório e README do DeepGEMM Ascend](https://github.com/deepseek-ai/DeepGEMM-Ascend): nota de lançamento de 30 de setembro, pré-requisitos, afirmações sobre interfaces e tabelas de benchmark produzidas pelo projeto. O README é uma fonte primária dos mantenedores do projeto, não uma validação independente.
- [Exportações do pacote](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) e [configuração de build](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/setup.py): versão, funções públicas de Python, dependências declaradas e vínculo do build a partir do código-fonte no commit inicial.
- [Harness de testes GEMM](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py): como o repositório verifica as saídas e chama o profiler, inclusive as condições em que uma comparação ACLNN é ignorada. Esses arquivos não reproduzem de forma independente os números publicados.

## Sources

- [DeepSeek AI, repositório e README do DeepGEMM Ascend](https://github.com/deepseek-ai/DeepGEMM-Ascend) — Fonte primária para interfaces, pré-requisitos, instalação e benchmarks produzidos pelo projeto; os números publicados não são resultados independentes.
- [Commit público inicial](https://github.com/deepseek-ai/DeepGEMM-Ascend/commit/8491bbb4b8c02a094a2318965f50c70438a3e73c) — O commit público inicial tem registro de data e hora 01:07 UTC; ele foi usado para fixar a revisão de origem e confirmar o horário do lançamento.
- [Exportações do pacote Python do DeepGEMM Ascend](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) — Versão 0.1.0 e funções GEMM, MQA e MegaMoE expostas, além de controles de layout de escala e JIT; as exportações não comprovam que funcionam em nossos sistemas.
- [Configuração de build e harness de testes GEMM](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py) — Lógica de teste, referências de correção e verificações ACLNN condicionais; inspecionar o código não equivale a reproduzir o benchmark.