DeepSeek 把训练栈整个搬上昇腾：六个开源仓库，哪些已经跑满、哪些还空着
DeepSeek 把为英伟达写的一整套训练与推理软件做成了昇腾版本并开源；本篇把公告末尾那六个仓库逐个打开，核对「一一对应」对应到哪一层、性能数字的分母是什么、还差哪些没做完。
2026 年 9 月 30 日，路透社发出一篇独家：DeepSeek 说，它已经与华为合作，为昇腾（Ascend）芯片开发编程工具。1
彭博同一天的标题把话说得更满：这些工具可能替代英伟达的产品。2
原始文本在 DeepSeek 自己的公众号上，当天上午 10 点发出，标题八个字：《DeepSeek 开源昇腾基础组件》。3
一句话说清楚做了什么：DeepSeek 把自己那套为英伟达写的训练与推理软件，做了一份昇腾版本，全部开源。3
公告里的原话是，「所有组件与此前面向英伟达平台的开源组件一一对应」。3
有三件事要提前交代。
这条新闻里的全部性能数字，来自 DeepSeek 自己仓库里的基准测试，没有第三方复现。4
DeepSeek 与华为都没有公布这次联合开发的投入规模、时间跨度和参与人数，也没有说这套组件在多大范围的集群上跑过。3
华为官网的新闻中心，截至本文核对时点，最新条目是当天的轮值董事长当值公告，找不到对应这次合作的独立稿件；华为一侧的公开口径，是通过向媒体供稿和开源社区发布的。5
本篇要做的，是把公告末尾那六个链接逐个打开：一一对应到了哪一层，性能数字的分母是什么，还差哪些没做完。
01 公告末尾的六个链接，合起来是一整条栈
公告那张清单列了六个仓库。3
它们各管一段。
TileLang 是写算子用的那门高级语言。6
DeepGEMM 管矩阵乘，训练和推理里最吃算力的那部分。7
FlashMLA 管注意力算子，长上下文跑不跑得动看它。4
TileKernels 管混合专家路由、量化、位置编码这一类常规算子。8
DeepSelect 管 TopK 选择与采样。9
DeepEP 管跨卡通信，分布式训练时数据在芯片之间怎么搬。10
其余五个此前都跑在英伟达平台上。其中三个——FlashMLA、TileKernels、DeepSelect——是在原有仓库里加上昇腾后端；另外两个——DeepGEMM、DeepEP——各开了一个新的昇腾仓库，当天首版，各只有一个提交。710
DeepGEMM-Ascend 的说明写得很直接：它完全兼容 DeepGEMM 的接口，用户装上这个包，就沿用其他平台上一样的工作流。7
TileKernels 的说法是，两套后端在运行时自动选择，同一套 Python 接口同时在英伟达 GPU 和华为 NPU 上跑。8
有一个细节值得单独记一笔：FlashMLA 这次发布昇腾算子的同一版里，删掉了对英伟达 Hopper 架构的支持。Hopper 就是 H800 和 H100 那一代。4
这张清单的价值在于覆盖面：写算子、矩阵乘、注意力、通信、采样，一条训练栈上要用的每一段都在里面——每一段做到什么程度，是另外一回事。
02 为什么第一个被点名的是编程语言
DeepSeek 的公告，开头用的是「工欲善其事，必先利其器」。3
它写：「建立新一代自主可控的 GPU 软件生态，首要的事情是先建立一个通用的、编程简单的、同时能达到硬件性能上限的高级语言。」3
被选中的是 TileLang。这个项目 2025 年 4 月挂上 arXiv，11 位作者，第一作者是 Lei Wang，作者名单里有北京大学计算机学院的杨智。11
它在英伟达平台上先跑通了。DeepSeek 说，TileLang 现在承载着 V4 系列模型训练中大部分算子的实现。3
更早的一次选择在 2025 年：观察者网在报道里提到，海外社区当时就注意到，DeepSeek 的 V3.2 用的是 TileLang，而当时同类项目多数选 OpenAI 开源的 Triton。12
两者的差别不只在语法。
Triton 编译出来的是英伟达的 PTX 和 AMD 的 GCN。它换掉的是 CUDA 的编程模型，产物仍是芯片厂商各自的中间代码。13
PTO 是昇腾 CANN 定义的一套 tile 级虚拟指令集，官方说有 90 多条标准 tile 指令，PyPTO 与 TileLang 都接在它上面。16
DeepSeek 对这件事的表述是：「目前，DeepSeek 训练中用到的每一个 TileLang 算子，在昇腾上都有对应的高性能实现。」3
换掉的是写算子的那一层。这一层一旦通了，用 TileLang 写的模型——包括 DeepSeek 自己的——就能在两边用同一份代码。
03 数字：多快，以及分母是什么
先看注意力算子。
FlashMLA 的昇腾版在昇腾 950 上，Prefill 跑到 410 TFlops，官方标注是硬件理论峰值的 95%；Decoding 跑到 360 TFlops，是峰值的 83%。4
同一个算子在英伟达 B200 上，Prefill 是 1350 TFlops，Decoding 是 1024 TFlops。4
绝对值大约是三分之一。这个比值要配着另外两组数字一起读。
矩阵乘那边，DeepGEMM-Ascend 在昇腾 950DT 上测出的稠密 GEMM，利用率落在 98.3% 到 99.8% 之间：FP4 精度 1701 TFlops（硬件极限 1730），FP8 是 861（极限 865），BF16 是 431（极限 432）。7
通信那边，DeepEP-Ascend 在 EP8 规模下 dispatch 实测 373 到 375 GB/s，combine 是 345 到 347 GB/s；官方说 EP32 以内，持续 dispatch 能到物理载荷带宽上限的 90% 到 95%。10
DeepSeek 自己的结论是，这些组件的计算与通信性能「已接近硬件上限」。3
读这组数字要补两个边界。
第一个边界写在同一份文档里：DeepEP-Ascend 的这组带宽，测的是一块「供应给 DeepSeek 的 PoC HDK，另加人工配置」，不是公开发布的版本。文档里写，推荐的公开部署基线是华为第三季度的商业版 HDK，计划大约 2026 年 10 月 15 日通过 Atlas 850E 的软件下载页发布。10
第二个边界是机型：全部数字来自昇腾 950 系列，其他昇腾代际的支持情况，文档写的是「尚未建立」。10
这批数字量的是「用了自己硬件的几成」：矩阵乘做到了九成八以上，注意力算子的 prefill 做到九成五、decoding 八成三。换一个方向读，同一个注意力算子，昇腾 950 交出的绝对值是 B200 的约三分之一——利用率更高，速度更慢。
04 还没过去的那些
先看 FlashMLA。
昇腾版发布的同时，文档里留着两句说明：把 norm、RoPE、attention 融在一起的那个融合 kernel，以及稠密注意力算子，目前只有 CUDA 版本。4
也就是说，长上下文那一路，昇腾接了稀疏注意力，稠密那一路还没接。4
DeepEP-Ascend 的待办清单更长。集合通信里只做完了 all-gather，reduce-scatter 与 all-reduce 还在建；专家负载均衡用到的两个接口，昇腾侧的通信 kernel 尚未实现；流水线并行与 Engram 远端内存访问仍是实验性功能；CPU 侧的内存后端和计算图捕获都不支持。10
DeepSelect 有一条细差别：昇腾实现只支持 bfloat16 输入，float32 那一档目前只有 CUDA 版本。9
还有一处差别藏在数据格式里。
DeepGEMM-Ascend 的说明里写：昇腾的缩放因子格式与英伟达不同，K 维度上每两个 UE8M0 缩放因子被打包进一个 int16，并按 MN-major 存放。7
接口一样，底下数据的排布不一样。这正是「API 兼容」四个字覆盖不到的地方。7
再往外一层，是整个生态的时间。
英伟达那一边，官方对 CUDA-X 库的说法是「数百个」。两边的计数口径不同——一个是代码仓库，一个是加速库——但量级上的差距摆在那里。18
「一一对应」说的是接口与功能的对应。从能跑通到同等可用，中间隔着的就是这些没做完的条目。
05 软件为什么值钱
要看清这次开源的分量，得先知道软件在英伟达的生意里占什么位置。
英伟达在自己的年报里写了两句话。
第一句：「我们超过一半的工程师在做软件。」18
第二句是它把自己称作「全栈计算平台」的理由：芯片只是起点，真正让它成为全栈的，是那套庞大的软件，包括 CUDA 开发平台、CUDA-X 加速库、模型与训练数据集、API 与 SDK。同一份年报里，累计研发投入是 767 亿美元。18
开发者这一侧，2026 财年年报的口径是「全球超过 750 万名开发者」使用 CUDA 及其软件工具。18
所以替代这件事，除了要把芯片做得足够快，还要让开发者肯把手上已经写好的代码搬过来。后面这一关更难。
AMD 的 ROCm 从 2016 年做到现在，官方博客的标题是《从 CUDA 到 AMD ROCm，不必从零重写》，卖点是 HIPIFY 这个把 CUDA 代码自动翻译过去的工具。19
OpenAI 的 Triton 从 2021 年起做，官方给自己定的目标是「比 CUDA 更高的生产力」。13
Intel 的 oneAPI 从 2019 年起做，如今已经不在 Intel 一家手里，转进了跨厂商的 UXL 联盟。20
还有一条先例照着看。Google 在 2016 年推出 TPU，官方说法是这颗芯片「为 TensorFlow 量身定制」，编译器 XLA 由 Google 自己写、自己开源。21
更近的两个例子，是把模型公司和芯片公司直接绑在一起：亚马逊的 Project Rainier 装了近 50 万颗 Trainium2，供 Anthropic 训练和运行 Claude；OpenAI 与 AMD 签了 6 吉瓦的协议，首期 1 吉瓦的 MI450 排在 2026 年下半年。2223
DeepSeek 这一次的方向是反过来的：过去的做法是芯片公司自己去兼容别人的模型，这次是最大的开源模型公司把自己训练时用的那套栈原样做了一份，放到对方的芯片上。3
英伟达自己也把这个风险写进了年报。风险因素一节写，被挡在中国数据中心市场之外，「帮助我们的竞争对手建起更大的开发者与客户生态，在全世界挑战我们」；同一节还写了开源基础模型如果跑在竞争对手的平台上，「可能降低对我们产品和服务的需求」，并点了 DeepSeek 与 Qwen 的名字。18
这次开源动到的是迁移成本：一套已经写进英伟达生态的训练栈，现在有了一条不经过 CUDA 的路径。它最终的分量，要看往后有多少不是 DeepSeek 的团队愿意走这条路。
下面这张表把六个仓库并排放好，每一格都指到仓库自己的说明。
| 仓库 | 管哪一段 | 9 月 30 日的动作 | 实测与边界 |
|---|---|---|---|
| TileLang | 写算子的高级语言 | 昇腾版封装 Ascend C 底层指令，依托 PTO 指令集 1415 | DeepSeek 称训练中用到的每个 TileLang 算子都有昇腾实现 3 |
| DeepGEMM-Ascend | 矩阵乘 | 新仓库，当日首版 7 | 昇腾 950DT 上稠密 GEMM 达硬件极限的 98.3%–99.8%；缩放因子格式与英伟达不同 7 |
| DeepEP-Ascend | 跨卡通信 | 新仓库，当日首版 10 | EP8 dispatch 373–375 GB/s；最优带宽依赖一块未公开的 PoC HDK 10 |
| FlashMLA | 稀疏注意力 | 发布昇腾算子 4 | Prefill 410 TFlops（峰值 95%）、Decoding 360 TFlops（83%）；融合 kernel 与稠密算子仍仅 CUDA 4 |
| TileKernels | MoE 路由、量化等常规算子 | 加昇腾后端 8 | 同一套 Python 接口跑两种硬件；要求昇腾 950 与 CANN 9.2.0 8 |
| DeepSelect | TopK 选择与采样 | 发布昇腾算子 9 | 昇腾侧只支持 bfloat16，float32 仅 CUDA 9 |
把时间放回来看：华为在 9 月 17 日的全联接大会上发布了下一代 AI 处理器与超节点系统；十三天后，DeepSeek 把跑在这些芯片上需要的那套软件补齐并开源。1
芯片的产能、软件栈的完整度、开发者的迁移意愿，是三条各自要走的曲线。这一次往前挪的是中间那条；它最后值多少，要看最后那条。
References
- 1
- 2
- 3DeepSeek 官方公众号：DeepSeek 开源昇腾基础组件
mp.weixin.qq.com
- 4GitHub：deepseek-ai/FlashMLA
github.com
- 5华为新闻中心（核对时点最新条目）
huawei.com
- 6GitHub：tile-ai/tilelang
github.com
- 7GitHub：deepseek-ai/DeepGEMM-Ascend
github.com
- 8GitHub：deepseek-ai/TileKernels
github.com
- 9GitHub：deepseek-ai/DeepSelect
github.com
- 10GitHub：deepseek-ai/DeepEP-Ascend
github.com
- 11
- 12观察者网：DeepSeek开源昇腾基础组件：与面向英伟达的一一对应
guancha.cn
- 13
- 14量子位：DeepSeek官方开源昇腾基础组件（华为供稿）
qbitai.com
- 15GitHub：tile-ai/tilelang-ascend
github.com
- 16GitCode：CANN 开源社区组织主页
gitcode.com
- 17华为官方公众号：华为宣布 CANN 全面开源开放，共建昇腾生态
mp.weixin.qq.com
- 18
- 19
- 20Intel：oneAPI 官方页
intel.com
- 21
- 22
- 23
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.