I benchmark pubblicati da SemiAnalysis il 21 ottobre 2026 misurano operazioni specifiche sull’Ascend 950PR_9579; l’analisi del profilo di DeepSeek-V4.1-Flash riguarda un solo rank su 32 chip Ascend 950DT. I risultati descrivono kernel e una configurazione precisa, non le prestazioni complessive del modello né una parità generale con Nvidia.
Per il contesto sull’annuncio del supporto software del 30 settembre, NeoTeo aveva già raccontato l’iniziativa di DeepSeek e Huawei. Qui il punto è cosa misurano i benchmark e come leggere il profilo di esecuzione.
Che cosa misurano i test dell’Ascend 950PR
SemiAnalysis ha eseguito i microbenchmark su un Ascend 950PR_9579 con 28 core Cube e 128 GiB di HBM. Un kernel è una routine che svolge un’operazione specifica; GEMM indica la moltiplicazione di matrici, un calcolo comune nei modelli di intelligenza artificiale.
Su 1.055 forme di GEMM in formato BF16, i migliori kernel standard di torch.matmul hanno raggiunto il 99,7% del tetto di calcolo misurato. La percentuale riguarda quei kernel rispetto al loro riferimento di calcolo, non la quota di capacità usata da DeepSeek-V4.1-Flash e nemmeno la velocità del modello nel suo complesso.
SemiAnalysis riporta anche che TileLang AutoSchedule ha ridotto fino al 40% il tempo di esecuzione di una singola operazione sull’Ascend 950PR, soprattutto per le dimensioni più piccole. È un risultato circoscritto a un’operazione: non quantifica un’accelerazione equivalente dell’intero modello.
Il confronto con H100 riguarda forme specifiche
Per un insieme selezionato di forme di calcolo limitate dalla potenza di calcolo, SemiAnalysis riporta la mediana del rapporto tra prestazioni raggiunte e raggiungibili. Le due percentuali si riferiscono allo stesso indicatore, ma non sono una classifica generale delle prestazioni degli acceleratori.
| Acceleratore | Frazione mediana raggiunta/raggiungibile sulle forme selezionate |
| Ascend 950PR | 41,5% |
| NVIDIA H100 | 46,8% |
SemiAnalysis segnala che alcune misurazioni di H100 erano limitate dalla potenza. Il confronto va quindi letto entro le forme selezionate e le condizioni del test, non come misura della velocità di un modello completo o di ogni carico di lavoro.
Che cosa rivela il profilo di DeepSeek-V4.1-Flash
Il profilo pubblicato da Huawei e analizzato da SemiAnalysis riguarda un rank di DeepSeek-V4.1-Flash su 32 chip Ascend 950DT. Comprende 40 layer del modello principale, tre blocchi del modello ausiliario DSpark, le rispettive teste di output e cinque passaggi di campionamento: è una traccia specifica, non un benchmark generale di tutte le installazioni.
Nel profilo, Stream 19 gestisce il calcolo principale e Stream 173 il lavoro del modello ausiliario. Durante la finestra in regime stabile, Stream 19 risulta occupato per l’88,8% del tempo; rappresenta invece il 72,6% del tempo dispositivo sommato. Le percentuali misurano cose diverse: le attività di stream differenti possono sovrapporsi, quindi la loro durata sommata non coincide con la frazione della finestra in cui uno stream è occupato.
Il valore di 1,32× è uno scenario di primo ordine, non un’accelerazione misurata: presuppone il raddoppio della capacità di calcolo Cube, mantenendo invariati la sovrapposizione degli stream osservata e i tempi inattivi.
Software Ascend e limiti per gli host x86
Secondo SemiAnalysis, il 30 settembre 2026 DeepSeek ha rilasciato supporto Ascend in sei repository: TileLang, DeepGEMM, DeepEP, TileKernels, FlashMLA e DeepSelect. Nel suo articolo del 21 ottobre, SemiAnalysis indicava TileLang come l’unico dei sei già utilizzabile.
I componenti hanno compiti diversi. FlashMLA dispone i valori quantizzati della cache KV insieme ai relativi fattori di scala, così da ridurre le richieste di trasferimento separate. DeepEP-Ascend, port basato su DeepEP V2.5, mantiene la stessa API Python e usa URMA e HCCL per la comunicazione. Quest’ultima può sovrapporsi al calcolo, ma compete con esso per risorse di elaborazione vettoriale e banda di memoria.
Il tutorial tecnico di Cloud Codes, in inglese, descrive DeepGEMM-Ascend come una libreria di kernel specializzati e CANN come lo strato software più ampio di Huawei. Spiega anche perché i kernel per Ascend richiedono disposizioni dei dati adatte alla gerarchia di memoria del chip e illustra la gestione dei fattori di scala FP8. Le operazioni masked grouped GEMM, secondo il tutorial, risultano non implementate.
Per gli host x86, SemiAnalysis riferiva problemi nella versione vLLM-Ascend_0.26.0rc1: supporto DeepGEMM assente, un blocco all’avvio legato a header ARM, binding della CPU saltato sui processori non ARM e assenza di test CI per NPU con host x86. Questi limiti si riferiscono alla versione indicata.
