> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Huawei y DeepSeek afinan el software de IA para los chips Ascend - URL: https://fomoera.com/huawei-deepseek-software-ascend/ - Published: 2026-10-22T16:20:00.000Z - Updated: 2026-10-22T16:20:00.000Z - Description: DeepSeek conserva interfaces conocidas al adaptar sus herramientas a Huawei. Las pruebas muestran avances en operaciones concretas y requisitos que condicionan su uso. - Author: Gerardo Pavez - Tags: Tecnología y Ciencia, IA Huawei y DeepSeek están ajustando conjuntamente el software que ejecuta modelos de IA en los aceleradores Ascend. El intercambio combina el hardware y las herramientas de Huawei con las cargas de trabajo y optimizaciones de DeepSeek. Un análisis de SemiAnalysis publicado el 21 de octubre de 2026 detalla cómo esa colaboración llega a la organización de la memoria y la comunicación entre chips. Las actualizaciones publicadas el 30 de septiembre permiten ver el trabajo concreto. DeepSeek incorporó soporte para Ascend en sus bibliotecas de cálculo, atención y comunicación; TileLang añadió soporte nativo para Ascend 950\. La documentación de TileLang acredita a ingenieros de DeepSeek el desarrollo inicial de ese soporte y agradece la colaboración de Huawei. ## Conservar las interfaces facilita adaptar las aplicaciones DeepGEMM-Ascend realiza multiplicaciones de matrices, una operación habitual en los modelos de IA. Su documentación declara compatibilidad completa con las interfaces de programación de DeepGEMM y soporte para los formatos numéricos BF16, FP8 y FP4\. Mantener esas interfaces permite conservar la forma de llamar a la biblioteca mientras cambia el código que ejecuta el chip. DeepEP-Ascend se ocupa de mover datos entre aceleradores durante el entrenamiento y la generación de respuestas. En los modelos de mezcla de expertos, reparte el trabajo entre los especialistas seleccionados y reúne sus resultados. Sus interfaces públicas están alineadas con las de la versión para Nvidia, aunque el soporte de funciones varía según la plataforma. La documentación de [TileLang](https://github.com/tile-ai/tilelang/blob/main/tilelang/ascend/README.md?ref=fomoera.com) explica otra parte del esfuerzo: su compilador coordina cálculos, transferencias y sincronización entre las unidades de Ascend. Los desarrolladores siguen decidiendo cómo dividir las operaciones y dónde guardar los datos, pero delegan parte de esa coordinación. Debajo continúa CANN, la plataforma de software de Huawei. El beneficio para quienes ya integran esas bibliotecas es conservar una interfaz conocida. La adaptación conserva requisitos propios de Ascend, incluidos sus controladores y herramientas de compilación. ## La memoria del chip también cambia el software DeepSeek documenta un ejemplo concreto en su [informe técnico de FlashMLA para Ascend](https://github.com/deepseek-ai/FlashMLA/blob/main/docs/20260930-ascend-prefill-deep-dive.md?ref=fomoera.com). La versión anterior guardaba por separado ciertos datos comprimidos y los factores necesarios para interpretarlos. En Ascend, recuperar ambos exigía dos transferencias. La nueva disposición coloca juntos los datos de cada token y sus factores, para leerlos sin copiarlos por separado. Ese ajuste muestra qué aporta DeepSeek a Huawei: adapta operaciones usadas por sus modelos a la manera en que el acelerador mueve y procesa información. La presión sobre la memoria aparece también en DeepSeek-V4.1-Flash. Su [ficha oficial](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash?ref=fomoera.com) declara una caché global de claves y valores de 890 bytes por token, aproximadamente una cuarta parte de la de V4-Flash. Esta caché conserva información que el modelo reutiliza al generar respuestas. Reducirla y organizar bien sus accesos son trabajos relacionados, realizados en el modelo y en el software del chip. ## Las pruebas aisladas tienen un alcance concreto SemiAnalysis probó 1,055 formas de multiplicación de matrices BF16 en un Ascend 950PR con 128 GiB de memoria HBM. Los mejores resultados alcanzaron el 99.7 % del límite teórico mediante las herramientas de Huawei, sin recurrir a DeepGEMM. La firma advierte que esa utilización en operaciones aisladas no equivale al rendimiento de un entrenamiento completo, que también depende de transferencias y comunicación. Las condiciones difieren entre proyectos. DeepGEMM publica sus mediciones en un Ascend 950DT. DeepEP también utiliza el 950DT y precisa que sus resultados proceden de un kit de hardware de prueba suministrado a DeepSeek, con configuración manual. Esas cifras describen ese entorno de prueba. La colaboración alcanza además el firmware. DeepEP identifica competencia por la memoria HBM entre el procesamiento de resultados y la comunicación, y señala mejoras previstas de Huawei para reducirla. Las cargas de DeepSeek ayudan así a localizar los cuellos de botella que debe resolver la plataforma Ascend. [DeepSeek apuesta por chips Huawei para entrenarDeepSeek prioriza chips Huawei para entrenar modelos y espera nuevas entregas entre finales de 2026 y comienzos de 2027.![](https://fomoera.com/content/images/icon/FomoEra-favicon-512-db537cad-18a1-4821-9493-c5e514347403.png)FomoEraPatricia Rodriguez![](https://fomoera.com/content/images/thumbnail/fomoera-deepseek-apuesta-por-chips-huawei-para-entrenar-modelos-entre-2026-y-2027-a4c78f35-16x9-v2-1600x900-3aefcdae-ac10-488d-b884-77d4f3e25dcb.webp)](https://fomoera.com/deepseek-apuesta-chips-huawei-entrenamiento/) *Fuentes:* [1](https://github.com/deepseek-ai/DeepGEMM-Ascend?ref=fomoera.com), [2](https://github.com/deepseek-ai/DeepEP-Ascend?ref=fomoera.com), [3](https://newsletter.semianalysis.com/p/huawei-deepseek?ref=fomoera.com)