DeepSeek官方開源昇騰基礎組件，與昇騰共建高效易用的AI芯片軟件生態

9月30日，DeepSeek 正式開源面向昇騰算力平臺的基礎設施組件，涵蓋 TileLang 高級語言編譯工具、高性能計算庫與分佈式通信庫，與此前面向GPU平臺開源的組件一一對應。Deepseek團隊面向華為昇騰平臺開源發佈基礎設施加速庫，對中國 AI 軟件生態具有里程碑意義，為算力平臺提供了新的選擇。本次開源，DeepSeek發佈了DeepGEMM、FlashMLA、TileKernel、DeepSelect等高性能昇騰算子庫組件和DeepEP分佈式通信庫。昇騰提供了穩定、開放的Ascend C API接口，使能用戶對訪存路徑及計算流水線進行深度調優，完成高性能算子開發。

同時依託開放 Ascend C 編程接口與 PTO ISA 底層指令體系，支持了DeepSeek的TileLang編程開源工作。昇騰生態兼顧不同開發範式，既支持資深開發者進行精細的手工調優，也支持 TileLang 等高級語言的編譯對接。華為向DeepSeek團隊提供了聯合定義的昇騰超節點SuperPoD Flex 和UBL128組網方案，可實現128卡3.2Tbps單層交換Scale-up網絡和256K卡兩層交換Scale-out網絡，可以支持超低時延推理和前沿基座模型的大規模訓練的需求。

基於全互聯的UBL128超節點，昇騰提供了 ASC-COMM 高性能自定義通信編程庫，支撐用戶通信算子與通算融合算子高性能編程。Deepseek團隊開發了高性能 DeepEP 通信庫，涵蓋EP / CP / PP / FSDP 等模式下的通信算子，為更大模型向更大集群擴展提供支持，互聯帶寬實測達到 Dispatch 375 GB/s、Combine 347 GB/s 的通信性能，接近硬件上限。

為支持廣泛的開發者基於昇騰 950 及超節點集群部署 DeepSeek模型，華為將此次聯合創新的成果在CANN社區開源，包括大EP低延時推理部署、單卡/單機部署、大規模訓練、超長文本KVcache池化與 Agentic RL。其中面向大規模推理場景，基於EP32部署策略，offline推理模式下DeepSeek-V4.1-Flash不帶框架純模型性能可實現TPOT=5ms，每卡輸出吞吐2469 tokens/s；TPOT=10ms，每卡輸出吞吐5102 tokens/s。（注：Benchmark數據均基於Offline推理模式採集，不包含Serving調度和框架負載均衡影響。

ContextLength = 128K，Dspark 投機接受率 0.85，profiling鏈接詳見附錄：DeepSeek-V4.1-Flash超節點部署推理優化實踐） 基承其本，算展其用。華為昇騰平臺將與Deepseek等前沿模型團隊，持續深耕芯模協同，聯合創新。以AI算力底座承載模型能力，深度適配，雙向奔赴，打通推理到訓練的全鏈路，攜手打造開放、高效、易用的AI軟件生態。附開源參考實踐和技術報告鏈接： 通信編程體系：基於UB memory和URMA通信編程接口的通算並行算子開發實踐： https://gitcode.

com/cann/cann-recipes-infer/tree/master/docs/models/deepseekv41/deepseekv4.1asccommtechreport.md 基於Agent-Friendly算子編程範式CANNBot-DSL的高性能融合算子開發實踐： https://gitcode.com/cann/cann-recipes-infer/blob/master/docs/models/deepseekv41/deepseekv4.1cannbotdsloperatorguide.md DeepSeek-V4.

1-Flash超節點部署推理優化實踐： https://gitcode.com/cann/cann-recipes-infer/tree/master/docs/models/deepseekv41/deepseekv4.1flashcanntechreport.md DeepSeek-V4.1-Flash單機部署低時延推理優化實踐： https://gitcode.com/cann/cann-recipes-infer/tree/master/docs/models/deepseekv41/deepseekv4.1lowlatencytpguide.md DeepSeek-V4.

1-Flash 單卡部署推理優化實踐：https://gitcode.com/cann/cann-recipes-infer/blob/master/docs/models/deepseekv41/dsv41-flash-950-single-card.md 基於PyTorch原生框架的DeepSeek-V4.1-Flash模型預訓練實踐： https://gitcode.com/cann/cann-recipes-train/blob/master/docs/llmpretrain/ascend950superpodmoepretrainsystemreference.

md DeepSeek-V4.1-Flash模型低精度量化訓練實踐：https://gitcode.com/cann/cann-recipes-train/tree/master/docs/llmpretrain/ascend950/lowprecisiontraining.md DeepSeek-V4 DSpark草稿模型昇騰訓練實踐：https://gitcode.com/cann/cann-recipes-train/tree/master/llmsft/DeepSpec DeepSeek-V4 單機LoRA 微調實踐：https://gitcode.

com/cann/torchtitan-npu/blob/master/docs/featureguides/deepseekv4lora.md 基於鯤鵬CPU、昇騰950、靈衢協同的Agentic RL訓練實踐：https://gitcode.com/cann/cann-recipes-train/tree/master/docs/llmrl/kunpengascendagenticrl_infrastructure.md 鯤鵬CPU對AgentENV的適配與優化實踐： https://gitcode.

com/KunpengSDK/agentENV/blob/main/agentenv-kunpeng-optimization-practice.md 推理模型優化Agent 部署調優實踐 https://gitcode.com/cann/cann-recipes-infer/blob/master/docs/agent/DeepSeekV4.1-Flash-Model-Agent.md AMCT 低精度量化Agent量化實踐： https://gitcode.com/cann/amct/tree/master/examples/models/deepseekv4.1/DeepSeekV4.

1-Flash-Quantization-Agent.md TileLang 算子Agent開發和優化實踐： https://gitcode.com/cann/cannbot-skills/tree/master/plugins-official/tilelang-op-orchestrator