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

# DeepSeek выпустила ядра DeepGEMM для Huawei Ascend 950

> Новая библиотека ядер DeepSeek для Ascend 950 предлагает знакомые интерфейсы DeepGEMM и исходный код. Условия запуска и опубликованные самой компанией тесты производительности задают рамки для разработчиков, оценивающих решение.

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.

DeepSeek опубликовала [версию библиотеки ядер DeepGEMM для Ascend](https://github.com/deepseek-ai/DeepGEMM-Ascend) для разработчиков, работающих с NPU Huawei серии 950. В README репозитория датой первого выпуска указано 30 сентября 2026 года; версия Python-пакета — 0.1.0. Библиотека дает командам открытую основу для умножения матриц и связанных с моделями операций на этом оборудовании. Опубликованные на данный момент показатели получены в собственных тестах DeepSeek.

Выпуск важен для инженеров, оценивающих программный стек Ascend: он открывает исходный код ядер и знакомые точки входа DeepGEMM, а также описывает сборку расширения. Производительность целых моделей и эксплуатационные расходы по-прежнему нужно проверять на целевой системе с предполагаемыми нагрузками.

## Что входит в выпуск

DeepGEMM — библиотека матричных операций, часто используемых в моделях ИИ. В [README для Ascend ](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/main/README.md)перечислены ядра GEMM для BF16, FP8 и FP4, групповые операции для моделей со смесью экспертов, логиты MQA, объединенная операция MegaMoE и ядро mHC prenorm. [Экспорт Python-пакета ](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py)показывает функции плотного и группового GEMM, функции MQA, средства преобразования раскладки коэффициентов масштабирования и параметры управления JIT-компиляцией и использованием AI core. Репозиторий распространяется по лицензии MIT.

По утверждению DeepSeek, порт для Ascend полностью совместим по API с [основной версией DeepGEMM](https://github.com/deepseek-ai/DeepGEMM#interfaces). То же `deep_gemm` имя пакета и большая часть публичного интерфейса могут упростить перенос кода. Однако README указывает на существенное отличие в расположении данных: Ascend упаковывает каждую пару коэффициентов масштабирования UE8M0 вдоль оси K в значение `int16` и хранит упакованные значения в порядке MN-major. В пакете есть функции преобразования коэффициентов масштабирования в требуемую раскладку. Приложения с квантованными входными данными по-прежнему должны предоставлять подходящие данные и проверять собственные результаты. Совместимость заявляют сопровождающие проекта; BIG CHANGE не проводила тест переноса.

## Что нужно разработчику для проверки

В [документации указаны требования](https://github.com/deepseek-ai/DeepGEMM-Ascend#requirements): NPU Ascend, CANN 9.20 с инструментами `bisheng` и `ld.lld`, `torch_npu`, Python 3.10 или новее, а также компилятор и стандартная библиотека с поддержкой C++20 `<format>`. Сопровождающие проекта сообщают, что разработка и проверка проходили на устройствах серии Ascend 950. `tilelang` указан как зависимость пакета для ядра HC prenorm; `tree-sitter` и `tree-sitter-cpp` нужны для создания заглушек типов при сборке из исходного кода. В README не указана `torch_npu` версия и не подтверждена проверка на других устройствах Ascend.

README рекомендует клонировать репозиторий вместе с подмодулями, собрать расширение C++ с помощью `develop.sh` или установить его из выгруженного исходного кода командой `pip install . --no-build-isolation`. Файл [конфигурации сборки](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/setup.py) импортирует `torch` и `torch_npu`, находит инструментарий Ascend через `ASCEND_HOME_PATH` или `ASCEND_TOOLKIT_HOME` и связывает библиотеки Ascend и Torch NPU. Поэтому для оценки ядер необходимы соответствующее оборудование и цепочка инструментов. В репозитории есть [тесты операций](https://github.com/deepseek-ai/DeepGEMM-Ascend/tree/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests). BIG CHANGE изучила документацию и код, но не запускала сборку или ядра.

## О чем говорят результаты тестов

DeepSeek сообщает об измерениях на Ascend 950DT с CANN 9.20 при использовании `bench_msprof` и холодном кэше L2. Для плотного умножения матриц BF16 с параметрами M=4096, N=7168 и K=16384 в [таблице производительности](https://github.com/deepseek-ai/DeepGEMM-Ascend#performance) указаны 2 229,9 микросекунды, 431 TFLOPS и 99,8% от предела оборудования, приведенного в таблице. Для той же формы при FP8×FP8 сообщается о 1 117,6 микросекунды и 861 TFLOPS. Это измерения ядер для указанных типов данных и размеров матриц, а не производительности модели. В таблице также приведены результаты для группового GEMM, MQA, MegaMoE и prenorm с отдельными конфигурациями; значения MegaMoE усреднены для восьми рангов, параллелизма экспертов 8, top-k маршрутизации 6 и одного общего эксперта.

В [тестовом коде ](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py)результаты GEMM сравниваются с созданными эталонными значениями; для поддерживаемых плотных случаев используется перекрестная проверка ACLNN. Для некоторых размеров и сценариев это дополнительное сравнение ACLNN явно пропускается. Опубликованные код и тесты позволяют проверить заявления, но BIG CHANGE независимо не воспроизводила показатели из README. В выпуске нет сопоставимого теста с другим стеком ускорителей, сравнения расходов или результата для сервиса с полным циклом обработки.

## Главное изменение

DeepSeek опубликовала код ядер DeepGEMM для Ascend 950.

Разработчики могут изучить и собрать знакомые операции GEMM и связанные с моделями операции для этого оборудования. В выпуске указаны CANN 9.20 и особая для Ascend раскладка коэффициентов масштабирования.

Команды с Ascend 950 получили код ядер, который можно оценить на формах собственных моделей. DeepSeek сообщает о результатах, близких к пределу, в одном тесте на Ascend 950DT; BIG CHANGE не запускала эти ядра.

Производительность целых приложений, поддержка других устройств Ascend и эксплуатационные расходы еще предстоит установить.

## Источники и дополнительная информация

- [Репозиторий DeepGEMM Ascend и README](https://github.com/deepseek-ai/DeepGEMM-Ascend): запись о выпуске от 30 сентября, требования, заявления об интерфейсе и таблицы тестов, подготовленные проектом. README — первичный источник от сопровождающих проекта, а не независимая проверка.
- [Экспорт пакета](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) и [конфигурация сборки](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/setup.py): версия, публичные функции Python, объявленные зависимости и связи сборки из исходного кода в первом коммите.
- [Набор тестов GEMM](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py): как репозиторий проверяет результаты и запускает профилировщик, включая условия пропуска сравнения ACLNN. Эти файлы независимо не воспроизводят опубликованные показатели.

## Sources

- [DeepSeek AI, репозиторий DeepGEMM Ascend и README](https://github.com/deepseek-ai/DeepGEMM-Ascend) — Первичный источник интерфейсов, требований, установки и подготовленных проектом тестов; опубликованные показатели не являются независимыми результатами.
- [Первый общедоступный коммит](https://github.com/deepseek-ai/DeepGEMM-Ascend/commit/8491bbb4b8c02a094a2318965f50c70438a3e73c) — Время первого общедоступного коммита — 01:07 UTC; он использовался для фиксации ревизии источника и проверки времени выпуска.
- [Экспорт Python-пакета DeepGEMM Ascend](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) — Версия 0.1.0 и доступные функции GEMM, MQA, MegaMoE, параметры раскладки масштабирования и JIT; экспорт не подтверждает работу на наших системах.
- [Конфигурация сборки и набор тестов GEMM](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py) — Логика тестирования, эталонные значения для проверки корректности и условные проверки ACLNN; изучение кода не означает повторения теста производительности.