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

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TPOT=5ms，每卡输出吞吐2469 tokens/s；TPOT=10ms，每卡输出吞吐5102 tokens/s。（注：Benchmark数据均基于Offline推理模式采集，不包含Serving调度和框架负载均衡影响。ContextLength = 128K，Dspark 投机接受率 0.85，profiling链接详见附录：DeepSeek-V4.1-Flash超节点部署推理优化实践）

基承其本，算展其用。华为昇腾平台将与Deepseek等前沿模型团队，持续深耕芯模协同，联合创新。以AI算力底座承载模型能力，深度适配，双向奔赴，打通推理到训练的全链路，携手打造开放、高效、易用的AI软件生态。

附开源参考实践和技术报告链接：

• 通信编程体系：基于UB memory和URMA通信编程接口的通算并行算子开发实践：

https://gitcode.com/cann/cann-recipes-infer/tree/master/docs/models/deepseek_v4_1/deepseek_v4.1_asc_comm_tech_report.md

• 基于Agent-Friendly算子编程范式CANNBot-DSL的高性能融合算子开发实践：

https://gitcode.com/cann/cann-recipes-infer/blob/master/docs/models/deepseek_v4_1/deepseek_v4.1_cannbotdsl_operator_guide.md

• DeepSeek-V4.1-Flash超节点部署推理优化实践：

https://gitcode.com/cann/cann-recipes-infer/tree/master/docs/models/deepseek_v4_1/deepseek_v4.1_flash_cann_tech_report.md

• DeepSeek-V4.1-Flash单机部署低时延推理优化实践：

https://gitcode.com/cann/cann-recipes-infer/tree/master/docs/models/deepseek_v4_1/deepseek_v4.1_low_latency_tp_guide.md

• DeepSeek-V4.1-Flash 单卡部署推理优化实践：https://gitcode.com/cann/cann-recipes-infer/blob/master/docs/models/deepseek_v4_1/dsv41-flash-950-single-card.md
• 基于PyTorch原生框架的DeepSeek-V4.1-Flash模型预训练实践：

https://gitcode.com/cann/cann-recipes-train/blob/master/docs/llm_pretrain/ascend950_superpod_moe_pretrain_system_reference.md

• DeepSeek-V4.1-Flash模型低精度量化训练实践：https://gitcode.com/cann/cann-recipes-train/tree/master/docs/llm_pretrain/ascend950/low_precision_training.md
• DeepSeek-V4 DSpark草稿模型昇腾训练实践：https://gitcode.com/cann/cann-recipes-train/tree/master/llm_sft/DeepSpec
• DeepSeek-V4 单机LoRA 微调实践：https://gitcode.com/cann/torchtitan-npu/blob/master/docs/feature_guides/deepseek_v4_lora.md
• 基于鲲鹏CPU、昇腾950、灵衢协同的Agentic RL训练实践：https://gitcode.com/cann/cann-recipes-train/tree/master/docs/llm_rl/kunpeng_ascend_agentic_rl_infrastructure.md
• 鲲鹏CPU对AgentENV的适配与优化实践：

https://gitcode.com/KunpengSDK/agentENV/blob/main/agentenv-kunpeng-optimization-practice.md

• 推理模型优化Agent 部署调优实践

https://gitcode.com/cann/cann-recipes-infer/blob/master/docs/agent/DeepSeekV4.1-Flash-Model-Agent.md

• AMCT 低精度量化Agent量化实践：

https://gitcode.com/cann/amct/tree/master/examples/models/deepseekv4.1/DeepSeekV4.1-Flash-Quantization-Agent.md

• TileLang 算子Agent开发和优化实践：

https://gitcode.com/cann/cannbot-skills/tree/master/plugins-official/tilelang-op-orchestrator

本文由华为提供，量子位获授权转载，观点归原作者所有。

版权所有，未经授权不得以任何形式转载及使用，违者必究。