DeepSeek open-sources Ascend infrastructure components, partners with Huawei

Coverage timeline

1. 量子位量子位2 months ago
   DeepSeek官方开源昇腾基础组件，与昇腾共建高效易用的AI芯片软件生态

   DeepSeek官方开源昇腾基础组件，与昇腾共建高效易用的AI芯片软件生态 量子位的朋友们 2026-09-30 10:53:17 来源： 量子位 9月30日，DeepSeek 正式开源面向昇腾算力平台的基础设施组件，涵盖 TileLang 高级语言编译工具、高性能计算库与分布式通信库，与此前面向GPU平台开源的组件一一对应。 Deepseek团队面向华为昇腾平台开源发布基础设施加速库，对中国 AI 软件生态具有里程碑意义，为算力平台提供了新的选择。 本次开源，DeepSeek发布了DeepGEMM、FlashMLA、TileKernel、DeepSelect等高性能昇腾算子库组件和DeepEP分布式通信库。昇腾提供了稳定、开放的Ascend C API接口，使能用户对访存路径及计算流水线进行深度调优，完成高性能算子开发。同时依托开放 Ascend C 编程接口与 PTO ISA 底层指令体系，支持了DeepSeek的TileLang编程开源工作。昇腾生态兼顾不同开发范式，既支持资深开发者进行精细的手工调优，也支持 TileLang 等高级语言的编译对接。 华为向DeepSeek团队提供了联合定义的昇腾超节点SuperPoD Flex 和UBL128组网方案， 可实现128卡3.2Tbps单层交换Scale-up网络和256K卡两层交换Scale-out网络，可以支持超低时延推理和前沿基座模型的大规模训练的需求 。基于全互联的UBL128超节点，昇腾提供了 ASC-COMM 高性能自定义通信编程库，支撑用户通信算子与通算融合算子高性能编程。Deepseek团队开发了高性能 DeepEP 通信库，涵盖EP / CP / PP / FSDP 等模式下的通信算子，为更大模型向更大集群扩展提供支持，互联带宽实测达到 Dispatch 375 GB/s 、Combine 347 GB/s 的通信性能，接近硬件上限。 为支持广泛的开发者基于昇腾 950 及超节点集群部署 DeepSeek模型，华为将此次联合创新的成果在CANN社区开源，包括大EP低延时推理部署、单卡/单机部署、大规模训练、超长文本KVcache池化与 Agentic RL。其中面向大规模推理场景，基于EP32部署策略，offline推理模式下DeepSeek-V4.1-Flash不带框架纯模型性能可实现 TPO

   
2. Techmeme2 months ago
   DeepSeek says it has partnered with Huawei to develop programming tools for Huawei's Ascend chips, including TileLang, an open-source CUDA alternative (Reuters)

   Reuters : DeepSeek says it has partnered with Huawei to develop programming tools for Huawei's Ascend chips, including TileLang, an open-source CUDA alternative — Chinese AI firm DeepSeek said on Wednesday it has partnered with Huawei Technologies to develop programming tools for Huawei's Ascend chips …

   
3. 机器之心机器之心2 months ago
   DeepSeek开源昇腾基础组件：计算、通信与编译工具同步发布

   编辑｜泽南 来自 DeepSeek 团队的底层 AI 芯片工具开源了。 9 月 30 日上午，DeepSeek 宣布开源面向华为昇腾算力平台的基础设施组件，覆盖 TileLang 高级语言编译工具、高性能计算库和分布式通信库。根据 DeepSeek 的介绍，这些组件与其此前面向英伟达平台开源的组件一一对应。 此次发布包含 DeepGEMM、DeepEP、TileKernels、FlashMLA 和 DeepSelect，分别承担矩阵运算、跨设备通信、常规向量计算与访存、稀疏注意力和数据筛选等任务，共同支撑模型运行中的关键环节。 华为则将双方围绕昇腾 950 及超节点开展的联合创新成果在 CANN 社区开源，覆盖模型部署、大规模训练、超长文本 KV Cache 池化与 Agentic RL 等实践，并披露了 DeepSeek-V4.1-Flash 的部分离线推理性能数据。 开源项目链接： TileLang: https://github.com/tile-ai/tilelang DeepGEMM Ascend: https://github.com/deepseek-ai/DeepGEMM-Ascend DeepEP Ascend: https://github.com/deepseek-ai/DeepEP-Ascend TileKernels: https://github.com/deepseek-ai/TileKernels FlashMLA: https://github.com/deepseek-ai/FlashMLA DeepSelect: https://github.com/deepseek-ai/DeepSelect 这次开源让我们得以了解 DeepSeek 在国产 AI 算力上开发工具、核心算子和通信组件等方面的进展。而对于开发者来说，现在也可以在更接近模型实际需求的工具基础上开展优化，减少从底层重新实现关键能力的工作。 把前沿模型的算子开发经验带到昇腾 对大模型而言，芯片的理论算力只是起点。模型中的运算如何拆分、数据如何搬运、计算与访存如何衔接都会影响硬件最终能发挥多少性能。这些工作很大一部分落在算子实现上。 用较底层的语言编写算子，开发者就可以精细控制硬件，但也需要处理更多执行细节。模型结构持续变化，新算子不断出现，开发效率与性能优化便需要同时