Am 21. Oktober 2026 veröffentlichte SemiAnalysis Messungen einzelner Rechenoperationen auf einem Huawei Ascend 950PR und wertete ein Profil von DeepSeek-V4.1-Flash auf 32 Ascend 950DT aus. Die Ergebnisse beschreiben bestimmte Tests und einen konkreten Einsatz, belegen aber keine allgemeine Leistungsgleichheit mit Nvidia im vollständigen Modellbetrieb.
Ein Kernel ist hier eine einzelne Rechenoperation, die auf einem Beschleuniger ausgeführt wird. Seine Auslastung sagt zunächst etwas über diese Operation aus, nicht über die Geschwindigkeit eines kompletten Modells mit all seinen Rechenschritten und Datenbewegungen.
Was die Ascend-950PR-Messung erfasst
SemiAnalysis testete den Ascend 950PR_9579 mit 28 Cube-Kernen und 128 GiB HBM. Bei 1.055 BF16-GEMM-Formen erreichten die besten Huawei-torch.matmul-Kernel laut Analyse 99,7 Prozent der gemessenen Leistungsgrenze. GEMM bezeichnet eine Matrix-Matrix-Multiplikation.
Die 99,7 Prozent gelten für die besten Kernel in diesem Test. Sie sind kein Messwert für die Auslastung des gesamten Chips und keine Durchsatzangabe für DeepSeek-V4.1-Flash. Wer wissen will, wie schnell das komplette Modell läuft, braucht Messungen des vollständigen Modellbetriebs, nicht nur einzelner Operationen.
Der Vergleich mit dem H100 gilt für ausgewählte Rechentests
Für ausgewählte rechengebundene Aufgaben gibt SemiAnalysis den Median des Verhältnisses von erreichter zu erreichbarer Leistung an. Die Werte beziehen sich auf dieselbe Art von Messgröße, aber nicht auf einen allgemeinen Vergleich aller Anwendungen:
| Beschleuniger | Median der erreichten im Verhältnis zur erreichbaren Leistung bei ausgewählten rechengebundenen Aufgaben |
| Huawei Ascend 950PR | 41,5 % |
| NVIDIA H100 | 46,8 % |
SemiAnalysis merkt an, dass die H100-Ergebnisse teilweise durch die Leistungsaufnahme begrenzt waren. Die Prozentwerte beschreiben daher die ausgewählten Rechentests unter den jeweiligen Testbedingungen, keine Rangfolge für beliebige Arbeitslasten.
Was das Profil von DeepSeek-V4.1-Flash zeigt
Huawei veröffentlichte ein Ausführungsprofil für einen Rang von DeepSeek-V4.1-Flash auf 32 Ascend 950DT. SemiAnalysis wertete dieses Profil aus. Es betrifft einen bestimmten Modelllauf und ist kein allgemeiner Benchmark für andere Einsätze.
Im stationären Zeitfenster war Stream 19, ein Ausführungsstrom für Rechenaufgaben, 88,8 Prozent der Zeit belegt. Zugleich entfielen 72,6 Prozent der aufsummierten Gerätezeit auf diesen Stream. Die Werte messen Verschiedenes: Mehrere Streams können gleichzeitig arbeiten, sodass ihre aufsummierten Laufzeiten überlappen.
Die Analyse berechnet außerdem ein Szenario mit dem Faktor 1,32 pro Schritt, falls sich der Cube-Durchsatz verdoppelt. Dabei bleiben die gemessene Überlappung der Streams und die Leerlaufzeit unverändert. Das ist eine bedingte Rechnung, keine gemessene Beschleunigung.
Software und Grenzen für x86-Hosts
Laut SemiAnalysis veröffentlichte DeepSeek am 30. September 2026 Ascend-Unterstützung in sechs Repositories: TileLang, DeepGEMM, DeepEP, TileKernels, FlashMLA und DeepSelect. Am 21. Oktober berichtete SemiAnalysis, dass zu diesem Zeitpunkt nur TileLang nutzbar gewesen sei. NeoTeo hatte bereits über diese Ascend-Programmierwerkzeuge berichtet; dieser Beitrag ordnet nun die später veröffentlichten Benchmark- und Profilwerte ein: DeepSeeks Programmierwerkzeuge für Huawei Ascend.
Cloud Codes beschreibt DeepGEMM-Ascend als spezialisierte Bibliothek für einzelne Rechenengpässe und CANN als die umfassendere Softwareplattform. Für Ascend müssen Kernel an die Speicherstruktur des Beschleunigers angepasst werden. Das englischsprachige Tutorial erläutert diese Speicherlayouts und erklärt, warum ein Kernel-Ergebnis nicht die Geschwindigkeit einer gesamten Anwendung angibt.
Für vLLM-Ascend_0.26.0rc1 meldete SemiAnalysis Einschränkungen bei x86-Hosts: DeepGEMM-Unterstützung fehlte, ein fest eingebundener ARM-Header verhinderte den Start, die CPU-Bindung wurde bei Nicht-ARM-Prozessoren übersprungen, und es gab keine automatisierten Tests für NPU- und x86-Konfigurationen.
