Markdown издање

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

# DeepSeek објављује DeepGEMM језгра за Huawei Ascend 950

> Нова DeepSeek библиотека језгара за Ascend 950 нуди познате DeepGEMM интерфејсе и изворни код. Предуслови и резултати сопствених тестова одређују оквир за програмере који је процењују.

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 је објавио [Ascend верзију своје библиотеке DeepGEMM језгара](https://github.com/deepseek-ai/DeepGEMM-Ascend) за програмере који користе Huawei NPU уређаје серије 950. README репозиторијума наводи 30. септембар 2026. као датум првог издања; Python пакет је означен верзијом 0.1.0. То тимовима пружа полазну тачку отвореног кода за множење матрица и сродне операције модела на том хардверу. До сада објављени подаци о перформансама потичу из DeepSeek-ових тестова.

Издање је важно за инжењере који процењују софтверски стек Ascend-а јер пружа изворни код језгара и познате DeepGEMM улазне тачке, као и документован поступак за изградњу проширења. Перформансе целог модела и трошкове рада и даље треба тестирати са предвиђеним оптерећењем на циљном систему.

## Шта садржи издање

DeepGEMM је библиотека за матричне операције које се често користе у AI моделима. У [Ascend README-у ](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/main/README.md)наведена су BF16, FP8 и FP4 GEMM језгра, груписане операције за моделе мешавине стручњака, MQA логити, спојена MegaMoE операција и mHC prenorm језгро. [Извози Python пакета ](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py)приказују функције за густо и груписано GEMM, MQA функције, помоћне алате за распоред фактора скалирања и контроле JIT компилације и употребе AI језгра. Репозиторијум је под MIT лиценцом.

DeepSeek наводи да је Ascend порт у потпуности компатибилан са API-јем [узводног DeepGEMM-а](https://github.com/deepseek-ai/DeepGEMM#interfaces). Исти `deep_gemm` назив пакета и велики део јавног интерфејса могу да олакшају миграцију кода. Ипак, README указује на важну разлику у распореду података: Ascend пакује сваки пар UE8M0 фактора скалирања дуж осе K у `int16` и чува спаковане вредности у MN-major редоследу. Пакет извози функције за претварање фактора скалирања у тражени распоред. Апликација која користи квантизоване улазе и даље мора да обезбеди одговарајуће податке и провери сопствене резултате. Тврдња о компатибилности потиче од одржавалаца, а не из BIG CHANGE теста миграције.

## Шта је програмеру потребно за испробавање

Документовани [предуслови ](https://github.com/deepseek-ai/DeepGEMM-Ascend#requirements)су Ascend NPU, CANN 9.20 са алатима `bisheng` и `ld.lld`, `torch_npu`, Python 3.10 или новији и компајлер и стандардна библиотека са подршком за C++20 `<format>`. Одржаваоци наводе да су развој и валидација обављени на серији Ascend 950. `tilelang` је наведен као зависност пакета за HC prenorm језгро; `tree-sitter` и `tree-sitter-cpp` и потребни су за генерисање типских заглавља при изградњи из изворног кода. README не наводи `torch_npu` верзију нити потврђује валидацију на другим Ascend уређајима.

README упућује програмере да клонирају репозиторијум заједно са подмодулима и изграде C++ проширење помоћу `develop.sh` или да га инсталирају из преузетог изворног кода командом `pip install . --no-build-isolation`. Његова [конфигурација изградње ](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/setup.py)увози `torch` и `torch_npu`, проналази Ascend алатни комплет преко `ASCEND_HOME_PATH` или `ASCEND_TOOLKIT_HOME` и повезује Ascend и Torch NPU библиотеке. За процену језгара зато су потребни одговарајући хардвер и ланац алата. Репозиторијум садржи [тестове операција](https://github.com/deepseek-ai/DeepGEMM-Ascend/tree/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests). BIG CHANGE је прегледао документацију и код, али није покренуо изградњу нити језгра.

## Колико далеко досежу резултати тестирања

DeepSeek наводи мерења на Ascend 950DT са CANN 9.20, уз `bench_msprof` и хладну L2 кеш меморију. За један облик густог BF16 множења матрица, M=4096, N=7168 и K=16384, [табела перформанси](https://github.com/deepseek-ai/DeepGEMM-Ascend#performance) наводи 2.229,9 микросекунди, 431 TFLOPS и 99,8% границе хардвера наведене у тој табели. За исти облик пријављује 1.117,6 микросекунди и 861 TFLOPS за FP8×FP8. То су мерења језгра за наведене типове и облике, а не пропусност модела. Табела даје и резултате за груписани GEMM, MQA, MegaMoE и prenorm у засебним конфигурацијама; вредности MegaMoE представљају просек осам рангова, са паралелизмом стручњака осам, top-k усмеравањем шест и једним заједничким стручњаком.

Тестни [код ](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py)поређује GEMM излазе са генерисаним референтним вредностима и користи ACLNN унакрсну проверу за подржане густе случајеве. Изричито прескаче ту додатну ACLNN проверу за неке облике и рецепте. Објављени код и тестови омогућавају проверу тврдњи, али BIG CHANGE није независно поновио резултате из README-а. Издање не пружа упоредив тест са другим стеком акцелератора, поређење трошкова нити резултат услуге од почетка до краја.

## Велика промена

DeepSeek је објавио код DeepGEMM Ascend језгара за серију Ascend 950.

Програмери могу да прегледају и изграде познате GEMM и сродне операције модела за тај хардвер. Издање документује CANN 9.20 и распоред фактора скалирања специфичан за Ascend.

Тимови са Ascend 950 сада имају код језгара који могу да процене на сопственим облицима модела. DeepSeek наводи резултате близу границе у једном тестном окружењу Ascend 950DT; BIG CHANGE није покренуо језгра.

Перформансе целе апликације, подршка за друге Ascend уређаје и трошкови рада тек треба да се утврде.

## Извори и додатна литература

- [DeepGEMM Ascend репозиторијум и README](https://github.com/deepseek-ai/DeepGEMM-Ascend): белешка о издању од 30. септембра, предуслови, тврдње о интерфејсу и табеле тестова које је саставио пројекат. README је примарни извор одржавалаца пројекта, а не независна валидација.
- [Извози пакета](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) и [конфигурација изградње](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/setup.py): верзија, јавне Python функције, декларисане зависности и веза изградње из изворног кода у почетном комиту.
- [GEMM тестни скуп](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py): начин на који репозиторијум проверава излазе и позива профилер, укључујући услове под којима се прескаче ACLNN поређење. Ове датотеке не репродукују независно објављене резултате.

## Sources

- [DeepSeek AI, DeepGEMM Ascend репозиторијум и README](https://github.com/deepseek-ai/DeepGEMM-Ascend) — Примарни запис о интерфејсима, предусловима, инсталацији и тестовима које је саставио пројекат; објављени подаци нису независни резултати.
- [Први јавни комит](https://github.com/deepseek-ai/DeepGEMM-Ascend/commit/8491bbb4b8c02a094a2318965f50c70438a3e73c) — Први јавни комит има временску ознаку 01:07 UTC; коришћен је за утврђивање ревизије извора и проверу времена објаве.
- [Извози Python пакета DeepGEMM Ascend](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/deep_gemm/__init__.py) — Верзија 0.1.0 и изложене GEMM, MQA, MegaMoE функције, распоред скалирања и JIT контроле; сами извози не доказују рад на нашим системима.
- [Конфигурација изградње и GEMM тестни скуп](https://github.com/deepseek-ai/DeepGEMM-Ascend/blob/8491bbb4b8c02a094a2318965f50c70438a3e73c/tests/common.py) — Логика тестирања, референтне вредности исправности и условне ACLNN провере; преглед кода није поновљено мерење перформанси.