En un análisis publicado el 21 de octubre de 2026, SemiAnalysis informó de resultados de kernels concretos en un Huawei Ascend 950PR y examinó un perfil de DeepSeek-V4.1-Flash ejecutado en 32 chips Ascend 950DT. Son mediciones de operaciones y un despliegue específico: no establecen el rendimiento general del modelo ni una paridad global con Nvidia. NeoTeo ya explicó el anuncio de las herramientas de software para Ascend en su cobertura anterior; aquí el foco está en qué revelan estas pruebas.
Qué midió SemiAnalysis en el Ascend 950PR
Un kernel es un bloque de código que ejecuta una operación concreta en un acelerador. La prueba de rendimiento de Ascend 950PR se hizo con el modelo Ascend 950PR_9579, que, según SemiAnalysis, tenía 28 núcleos Cube y 128 GiB de memoria HBM, de gran ancho de banda.
En 1.055 formas de multiplicación de matrices con números BF16, un formato numérico de 16 bits, los mejores kernels de torch.matmul de Huawei llegaron al 99,7 % del techo de cálculo medido. La cifra corresponde a los mejores resultados de esa operación frente a un techo medido; no mide la velocidad de DeepSeek-V4.1-Flash ni el uso total del chip durante la ejecución de un modelo.
Otra prueba de latencia leyó 16 KiB por lanzamiento. SemiAnalysis registró cerca de 134 ns hasta 18 bloques, 182 ns con 56 bloques y 391 ns con 64. Son resultados de esa prueba concreta, no una medida de rendimiento de una aplicación completa.
Cómo leer la comparación con NVIDIA H100
En formas seleccionadas limitadas por el cálculo, SemiAnalysis comunicó la mediana de la fracción de rendimiento alcanzado frente al alcanzable: 41,5 % para Ascend 950PR y 46,8 % para NVIDIA H100.
| Acelerador | Mediana de la fracción alcanzada respecto de la alcanzable en formas seleccionadas limitadas por el cálculo |
| Ascend 950PR | 41,5 % |
| NVIDIA H100 | 46,8 % |
SemiAnalysis señaló que algunos resultados del H100 estuvieron limitados por la potencia. Estos porcentajes describen ese conjunto de formas y esa métrica; por sí solos no clasifican el rendimiento general de ambos aceleradores ni el de modelos completos.
Qué muestra el perfil de DeepSeek-V4.1-Flash
Huawei publicó un perfil de ejecución de DeepSeek-V4.1-Flash en una configuración de 32 chips Ascend 950DT. SemiAnalysis analizó un solo rank, es decir, una partición de esa ejecución distribuida.
En la ventana de estado estable, Stream 19 estuvo ocupado el 88,8 % del tiempo. A la vez, representó el 72,6 % del tiempo de dispositivo sumado. Son medidas diferentes: las operaciones de distintos streams pueden solaparse, así que el tiempo ocupado de uno no equivale a su proporción del tiempo de dispositivo acumulado.
SemiAnalysis calculó un escenario de mejora de 1,32× para un paso si se duplicara el rendimiento de los núcleos Cube y se mantuvieran fijos tanto el solapamiento observado entre streams como el tiempo inactivo. Es un cálculo condicionado a esos supuestos, no una aceleración medida.
Software de DeepSeek: avances y límites en x86
El 30 de septiembre de 2026, DeepSeek publicó, según SemiAnalysis, soporte para Ascend en seis repositorios: TileLang, DeepGEMM, DeepEP, TileKernels, FlashMLA y DeepSelect. En el análisis del 21 de octubre, SemiAnalysis indicaba que solo TileLang era utilizable.
El tutorial de Cloud Codes explica que DeepGEMM-Ascend es una biblioteca especializada en kernels para operaciones concretas, mientras que CANN es la plataforma de software más amplia de Huawei. También describe cómo los kernels deben adaptarse a la jerarquía de memoria de Ascend y cómo se empaquetan factores de escala de FP8 en contenedores enteros de 16 bits. El tutorial, en inglés, señala además que algunas API de multiplicación agrupada con máscaras figuraban como no implementadas.
Para hosts x86, SemiAnalysis describió problemas asociados a vLLM-Ascend_0.26.0rc1: falta de compatibilidad con DeepGEMM, un bloqueo de inicio causado por cabeceras ARM, omisión de la asignación de CPU en procesadores no ARM y ausencia de pruebas de integración continua con NPU y x86. Esas limitaciones corresponden a la versión citada.
