Op 21 oktober 2026 publiceerde SemiAnalysis microbenchmarks van een specifieke Huawei Ascend 950PR_9579 en een analyse van een door Huawei gepubliceerd profiel van DeepSeek-V4.1-Flash op 32 Ascend 950DT-chips. De resultaten beschrijven afzonderlijke bewerkingen en één specifieke modeluitvoering; ze tonen geen algemene prestatiepariteit op applicatieniveau aan.
Wat de Ascend 950PR-benchmark meet
De geteste Ascend 950PR_9579 had volgens SemiAnalysis 28 Cube-cores en 128 GiB HBM. Een kernel is een afgebakende bewerking die een accelerator uitvoert. In een test met 1.055 vormen van BF16-matrixvermenigvuldiging bereikten de beste standaardkernels van Huawei’s torch.matmul-pad 99,7% van het gemeten rekenplafond.
Dat percentage zegt niet dat DeepSeek-V4.1-Flash 99,7% van de chipcapaciteit benut. Het gaat om de beste kernels voor die matrixvermenigvuldigingen, niet om de doorvoer van een volledig model. Bij een modelrun tellen ook gegevensverplaatsing en communicatie tussen bewerkingen mee.
De vergelijking met NVIDIA H100
Voor een geselecteerde groep rekenintensieve bewerkingen rapporteerde SemiAnalysis de volgende mediane verhouding tussen behaalde en haalbare prestaties:
| Accelerator | Mediaan van behaalde ten opzichte van haalbare prestaties |
| Huawei Ascend 950PR | 41,5% |
| NVIDIA H100 | 46,8% |
De cijfers gelden voor die geselecteerde bewerkingen, niet voor alle toepassingen. SemiAnalysis meldde bovendien dat sommige H100-resultaten door vermogenslimieten werden beïnvloed. De tabel is daarom geen algemene ranglijst van de twee accelerators.
Wat het profiel van DeepSeek-V4.1-Flash laat zien
Het door Huawei gepubliceerde profiel dat SemiAnalysis analyseerde, beschrijft één rank, een uitvoeringsdeel van het model, op 32 Ascend 950DT-chips. Daarin was Stream 19 tijdens 88,8% van het steady-state-venster bezet. De stream vertegenwoordigde 72,6% van de opgetelde apparaattijd. Die percentages meten verschillende zaken: werk op meerdere streams kan tegelijk plaatsvinden.
SemiAnalysis beschreef ook een scenario waarin een verdubbeling van de Cube-doorvoer een stapverbetering van 1,32× oplevert, onder de aannames dat de gemeten overlap tussen streams gelijk blijft en de inactieve tijd niet verandert. Dat is een berekening onder voorwaarden, geen gemeten versnelling.
Ascend-software en grenzen voor ontwikkelaars
Volgens SemiAnalysis bracht DeepSeek op 30 september 2026 Ascend-ondersteuning uit in zes repositories: TileLang, DeepGEMM, DeepEP, TileKernels, FlashMLA en DeepSelect. In het artikel van 21 oktober meldde SemiAnalysis dat op dat moment alleen TileLang bruikbaar was. DeepGEMM-Ascend vereiste volgens het artikel CANN 9.2.0 en een C++20-compiler.
DeepGEMM-Ascend is een gespecialiseerde bibliotheek voor matrixvermenigvuldigingskernels. In een Engelstalige technische uitleg beschrijft Cloud Codes CANN als de bredere softwarelaag voor Huawei-accelerators. De uitleg bespreekt ook hoe Ascend-kernels gegevensindelingen aanpassen aan de geheugenlagen van de chip. Wie de aankondiging van DeepSeeks Ascend-ondersteuning wil teruglezen, vindt de eerdere berichtgeving van NeoTeo hier.
SemiAnalysis meldde voor vLLM-Ascend_0.26.0rc1 verschillende beperkingen op x86-hosts: DeepGEMM-ondersteuning ontbrak, een ARM-header veroorzaakte een opstartprobleem, CPU-binding werd op niet-ARM-processors overgeslagen en er was geen CI-dekking voor NPU’s in combinatie met x86. Die punten zijn gekoppeld aan de genoemde softwareversie.
