DeepSeek 把训练栈里的一批底层组件，按昇腾的平台重做了一遍，六个仓库在同一批放出来。 算子、矩阵计算、跨设备通信、向量访存、稀疏注意力、数据筛选，各自对应一个仓库，分别是 tile-ai/tilelang、deepseek-ai/DeepGEMM-Ascend、deepseek-ai/DeepEP-Ascend、deepseek-ai/TileKernels、deepseek-ai/FlashMLA、deepseek-ai/DeepSelect。按原帖的说法，TileLang 此前已经承载了 DeepSeek V4 训练里大部分算子的实现。 公开的数字里，TileLang 是 8.2k star，TileKernels 1,896 star，DeepGEMM-Ascend 456 star，DeepSelect 450 star，DeepEP-Ascend 202 star。仓库描述比标题具体。TileKernels 自称一套用 TileLang 写的 kernel 库，DeepGEMM-Ascend 是给昇腾 NPU 的矩阵乘 kernel 库，DeepEP-Ascend 管训练和推理的跨设备通信。 提交节奏比 star 数更值得看。TileLang 新加的 Ascend 950 后端，已经落在主干分支上，紧接着又有一次提交，是 Ascend 950 的 PTO 后端。昇腾在这条链路上是被长期维护的对象，不是一次性的移植。 我留一个保留意见。这批仓库里没有公开对标 NVIDIA 的 benchmark，超节点规模也只有原帖一句话，实际跑分还得等第三方复测。评估迁移成本的人，先做一件事，把你现在依赖的算子列出来，逐个去这些仓库里找实现，找到多少就是多少。 🔗链接：