Em análise publicada em 21 de outubro de 2026, a SemiAnalysis mediu operações específicas no Huawei Ascend 950PR_9579 e examinou um perfil de execução da DeepSeek-V4.1-Flash publicado pela Huawei para 32 chips Ascend 950DT. São recortes diferentes: um mede kernels, trechos de código que executam operações, e o outro descreve uma implantação específica do modelo.
O que o teste do Ascend 950PR mede
O Ascend 950PR_9579 testado tinha 28 núcleos Cube e 128 GiB de memória HBM, segundo a SemiAnalysis. Em 1.055 configurações de multiplicação de matrizes no formato BF16, os melhores kernels do torch.matmul padrão da Huawei chegaram a 99,7% do teto de desempenho medido.
Esse percentual descreve os melhores resultados de uma operação específica em relação ao teto medido para ela. Não é uma taxa de utilização do chip inteiro nem uma medição de velocidade da DeepSeek-V4.1-Flash. Um modelo completo também depende de etapas como comunicação entre chips e movimentação de dados.
Ascend 950PR e H100 nos mesmos tipos de operação
Para um conjunto selecionado de configurações limitadas por computação, a SemiAnalysis calculou a mediana da fração de desempenho alcançada em relação ao desempenho atingível. Os valores reportados foram:
| Acelerador | Fração mediana alcançada em relação ao desempenho atingível |
| Huawei Ascend 950PR | 41,5% |
| NVIDIA H100 | 46,8% |
A comparação se limita às configurações selecionadas. A análise também observa que alguns resultados do H100 foram limitados pela potência disponível. Portanto, esses percentuais descrevem aquela seleção de operações e condições de teste, não uma classificação geral dos aceleradores.
O que revela o perfil da DeepSeek-V4.1-Flash
O perfil publicado pela Huawei cobre um rank da DeepSeek-V4.1-Flash em 32 chips Ascend 950DT. Um rank é uma unidade de execução distribuída do modelo. Na janela de operação estável analisada, o Stream 19, fluxo de execução que concentra o trabalho principal, ficou ocupado durante 88,8% do período e respondeu por 72,6% do tempo total de dispositivo somado. A sobreposição entre fluxos de execução explica por que essas duas métricas são diferentes.
A SemiAnalysis calculou ainda um cenário em que dobrar a capacidade de processamento dos núcleos Cube levaria a uma melhora de 1,32× por etapa, desde que a sobreposição observada e o tempo ocioso permanecessem iguais. É uma estimativa condicionada a essas premissas.
Software Ascend e limites para desenvolvedores
Em 30 de setembro de 2026, a DeepSeek lançou suporte a Ascend em seis repositórios: TileLang, DeepGEMM, DeepEP, TileKernels, FlashMLA e DeepSelect. Na análise publicada em 21 de outubro, a SemiAnalysis informou que apenas o TileLang estava utilizável naquele momento. A NeoTeo já abordou o anúncio de suporte de software para os chips Ascend; aqui, o foco são as medições e o perfil de execução.
A DeepGEMM-Ascend é uma biblioteca especializada em kernels para operações matemáticas específicas. Em um tutorial em inglês, a Cloud Codes diferencia essa biblioteca do CANN, a plataforma de software mais ampla da Huawei. O tutorial também explica por que os kernels precisam adaptar o uso da memória à arquitetura Ascend, incluindo a organização de dados FP8 e fatores de escala.
A SemiAnalysis também descreveu problemas para hosts x86 na versão vLLM-Ascend_0.26.0rc1: falta de suporte a DeepGEMM, um bloqueio na inicialização causado por cabeçalhos ARM, vinculação de CPU ignorada em processadores que não sejam ARM e ausência de testes de integração entre NPU e x86. Essas limitações se referem à versão citada.
