{"id":2564,"date":"2026-04-23T18:22:10","date_gmt":"2026-04-23T18:22:10","guid":{"rendered":"https:\/\/deepinsightai.io\/?p=2564"},"modified":"2026-04-23T18:22:12","modified_gmt":"2026-04-23T18:22:12","slug":"deepseek-starts-updating-frequently","status":"publish","type":"post","link":"https:\/\/deepinsightai.io\/de\/deepseek-starts-updating-frequently\/","title":{"rendered":"DeepSeek wird nun regelm\u00e4\u00dfig aktualisiert: Tile-Kernel und DeepEP V2"},"content":{"rendered":"

Gerade eben hat DeepSeek\u2019s GitHub<\/a> begann, regelm\u00e4\u00dfig Updates zu ver\u00f6ffentlichen. Es startete ein neues Repository und stellte es als Open Source zur Verf\u00fcgung, Kachelkerne<\/strong>, und hat gleichzeitig die DeepEP<\/strong> Repository, wodurch DeepEP V2<\/strong> online. Es ist noch keine Woche her, seit DeepSeek still und leise ein Update ver\u00f6ffentlicht hat Mega MoE<\/strong> und FP4-Indexer<\/strong> das letzte Mal.<\/p>\n\n\n\n

DeepSeek-Kachelkerne<\/h2>\n\n\n\n
\"DeepSeek-Kachelkerne\"<\/figure>\n\n\n\n

Link: https:\/\/github.com\/deepseek-ai\/TileKernels<\/code><\/p>\n\n\n\n

Laut der Einleitung, Kachelkerne<\/strong> sind GPU-Kerne, die f\u00fcr LLM-Operationen optimiert sind und mit TileLang<\/strong>. TileLang ist eine dom\u00e4nenspezifische Sprache zur Darstellung leistungsstarker GPU-Kernel in Python, die sich durch einfache Portierbarkeit, agile Entwicklung und automatische Optimierung auszeichnet.<\/p>\n\n\n\n

Die Leistung der Tile-Kernel ist au\u00dferordentlich hoch. Wie DeepSeek selbst schrieb: \u201cDie meisten Kernel in diesem Projekt haben hinsichtlich Rechenintensit\u00e4t und Speicherbandbreite bereits fast die Leistungsgrenze der Hardware erreicht. Einige davon wurden intern bereits in Trainings- und Inferenzszenarien eingesetzt. Sie stellen jedoch noch keine Best Practices dar, und wir arbeiten weiterhin daran, die Codequalit\u00e4t und die Dokumentation zu verbessern.\u201d<\/p>\n\n\n\n

Das Repository enth\u00e4lt zwar nicht viele einf\u00fchrende Informationen, doch zwischen den Zeilen wird bereits der zugrunde liegende Weg der architektonischen Innovation der DeepSeek-Modelle der n\u00e4chsten Generation \u201cverraten\u201d, was auf einen Sprung hindeutet, der mit dem j\u00fcngsten Vorabpr\u00e4sentation von Hy3<\/a>.<\/p>\n\n\n\n

Funktionen der DeepSeek-Tile-Kernel<\/h3>\n\n\n\n

Hier sind einige spezifische Merkmale von Tile-Kerneln:<\/p>\n\n\n\n

Gating-Mechanismus:<\/strong> Auswahl der Top-k-Experten und Bewertung f\u00fcr das MoE-Routing<\/p>\n\n\n\n

MoE-Routing:<\/strong> Zuordnung von Tokens zu Experten, kombiniertes \u201eExpand\/Reduce\u201c und Gewichtsnormalisierung<\/p>\n\n\n\n

Quantisierung:<\/strong> Unterst\u00fctzt die FP8\/FP4\/E5M6-Konvertierung in den Modi \u201epro Token\u201c, \u201epro Block\u201c und \u201epro Kanal\u201c und kombiniert SwiGLU- mit Quantisierungsoperationen<\/p>\n\n\n\n

Transponieren:<\/strong> Transponierungsvorg\u00e4nge im Batch-Modus<\/p>\n\n\n\n

Engramm:<\/strong> Engramm-Gating-Kernel, Fusion von RMSNorm, Vorw\u00e4rts-\/R\u00fcckw\u00e4rtsausbreitung und Gewichtsgradientenreduktion<\/p>\n\n\n\n

Manifold HyperConnection:<\/strong> Hyper-Connection-Kernel, einschlie\u00dflich Sinkhorn-Normalisierung und \u201eSplit\/Apply\u201c f\u00fcr \u201eMix\u201c<\/p>\n\n\n\n

Modellierung:<\/strong> Auf hoher Ebene torch.autograd.Function<\/code> Wrapper, die die zugrunde liegenden Kernel zu trainierbaren Schichten zusammenfassen (Engram Gate, mHC-Pipeline)<\/p>\n\n\n\n

DeepSeek EPv2: Schnelleres EP mit Unterst\u00fctzung f\u00fcr Engram, PP und CP<\/h2>\n\n\n\n
\"DeepSeek<\/figure>\n\n\n\n

EPv2-Link: https:\/\/github.com\/deepseek-ai\/DeepEP\/pull\/605<\/code><\/p>\n\n\n\n

Heute fr\u00fch hat DeepSeek au\u00dferdem die neueste Version von EPv2<\/strong>, wodurch eine schnellere Lieferung gew\u00e4hrleistet wird Expertenparallellit\u00e4t (EP)<\/strong> sowie Unterst\u00fctzung f\u00fcr Engramm \/ Pipeline-Parallelit\u00e4t (PP) \/ Kontext-Parallelit\u00e4t (CP)<\/strong>.<\/p>\n\n\n\n

Da sich Hardware, Netzwerke und Modellarchitekturen parallel zu raschen Branchenentwicklungen wie Qwen 3.6<\/a>, Die fr\u00fchere Version \u201eDeepEP V1\u201c von DeepSeek hatte bereits zu viel Altlasten und zu viele Leistungsprobleme mit sich gebracht.<\/p>\n\n\n\n

Dieses Update f\u00fchrt zu einer vollst\u00e4ndigen Umstrukturierung Parallelismus f\u00fcr Experten<\/strong>. Im Vergleich zu V1 ben\u00f6tigt es nur einen Bruchteil der SM-Ressourcen, um eine extreme Leistung zu erzielen, und unterst\u00fctzt gleichzeitig gr\u00f6\u00dfere Skalierung<\/strong> (innerhalb eines einzelnen Rechners) und Scale-out<\/strong> (auf verschiedenen Rechnern).<\/p>\n\n\n\n

Dar\u00fcber hinaus f\u00fchrte DeepSeek eine experimentelle 0 SM<\/strong> Serien in diesem Update, darunter 0 SM-Engramm<\/strong>, 0 SM-Pipeline-Parallelit\u00e4t (PP)<\/strong>, und 0 SM-Kontextparallelit\u00e4t (CP)<\/strong> All-Gather-Operatoren. Gleichzeitig wurde das Backend von NVSHMEM<\/strong> zum Feuerzeug NCCL Gin<\/strong> Backend.<\/p>\n\n\n\n

Neue Funktionen in DeepSeek DeepEP V2<\/h3>\n\n\n\n

Hier sind einige der neuen Funktionen in DeepEP V2:<\/p>\n\n\n\n

Vollst\u00e4ndig JIT<\/strong><\/p>\n\n\n\n

NCCL-Gin-Backend:<\/strong><\/p>\n\n\n\n

Nur Header, extrem leicht<\/p>\n\n\n\n

M\u00f6glichkeit zur Wiederverwendung bestehender NCCL-Kommunikatoren<\/p>\n\n\n\n

EPv2:<\/strong><\/p>\n\n\n\n

Vereinheitlicht APIs mit hohem Durchsatz und geringer Latenz in einer einzigen Schnittstelle und nutzt ein v\u00f6llig neues GEMM-Layout<\/p>\n\n\n\n

Unterst\u00fctzt gr\u00f6\u00dfere Skalierungsbereiche, bis zu EP2048<\/strong><\/p>\n\n\n\n

F\u00fchrt die analytische Berechnung der SM- und QP-Zahlen ein, sodass eine automatische Abstimmung nicht mehr erforderlich ist<\/p>\n\n\n\n

Unterst\u00fctzt weiterhin beides Hybrid<\/strong> Modus und Direkt<\/strong> Modus<\/p>\n\n\n\n

Bei \u00e4lteren, V3-\u00e4hnlichen Trainingsaufgaben sinkt die SM-Nutzung von 24<\/strong> zu 4\u20136<\/strong>, bei gleichbleibender oder sogar besserer Leistung<\/p>\n\n\n\n

0 SM-Engramm<\/strong> (mit RDMA)<\/p>\n\n\n\n

0 SM PP<\/strong> (mit RDMA)<\/p>\n\n\n\n

0 SM CP<\/strong> (mit Copy Engine)<\/p>\n\n\n\n

Leistung von DeepSeek DeepEP V2<\/h2>\n\n\n\n

Nach der Konfiguration von DeepSeek-V3<\/strong>, wurden Tests unter der neuen Version mit folgenden Einstellungen durchgef\u00fchrt: 8.000 Token pro Charge<\/strong>, 7168 verborgene Dimension<\/strong>, Die acht besten Experten<\/strong>, FP8-Meldung<\/strong>, und M\u00e4hdrescher BF16<\/strong>. Die Ergebnisse lauten wie folgt:<\/p>\n\n\n\n

\"Leistung<\/figure>\n\n\n\n

Hinweis: Die angezeigten Ergebnisse beziehen sich auf die logische Bandbreite. Beispielsweise im Fall von Folge 8, Folge 2<\/strong>, das 90 GB\/s<\/strong> Die Bandbreite umfasst tats\u00e4chlich auch den Datenverkehr zwischen lokalen GPUs (lokalen Ranks).<\/p>\n\n\n\n

Im Vergleich zu V1 erreicht V2 bis zu 1,3-fache Spitzenleistung<\/strong>, und dabei bis zu 4\u00d7 SM-Ressourcenauslastung <\/strong>\u2014eine entscheidende Optimierung, um in einem Umfeld, das von Schwergewichten wie Claude Opus 4.7<\/a>.<\/p>\n\n\n\n

Zum Schluss noch ein kleiner Tipp f\u00fcr DeepSeek: Beeilt euch und bringt die Version raus V4<\/strong> Schon. Alle werden langsam ungeduldig.<\/p>\n\n\n\n

<\/p>","protected":false},"excerpt":{"rendered":"

Just now, DeepSeek\u2019s GitHub started updating frequently. It launched and open-sourced a new repository, Tile Kernels, and at the same time updated the DeepEP repository, bringing DeepEP V2 online. It has been less than a week since DeepSeek quietly updated Mega MoE and FP4 Indexer last time. DeepSeek Tile Kernels Link: https:\/\/github.com\/deepseek-ai\/TileKernels According to the […]<\/p>\n","protected":false},"author":1,"featured_media":2567,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"none","_seopress_titles_title":"%%post_title%%","_seopress_titles_desc":"DeepSeek releases Tile Kernels and DeepEP V2 with faster expert parallelism, 1.3\u00d7 performance boost, and major GPU efficiency gains.","_seopress_robots_index":"","_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[2,10],"tags":[],"class_list":["post-2564","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","category-llm"],"uagb_featured_image_src":{"full":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/deepseek.png",786,520,false],"thumbnail":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/deepseek-150x150.png",150,150,true],"medium":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/deepseek-300x198.png",300,198,true],"medium_large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/deepseek-768x508.png",768,508,true],"large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/deepseek.png",786,520,false],"1536x1536":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/deepseek.png",786,520,false],"2048x2048":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/deepseek.png",786,520,false],"trp-custom-language-flag":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/deepseek-18x12.png",18,12,true]},"uagb_author_info":{"display_name":"Claude Carter","author_link":"https:\/\/deepinsightai.io\/de\/author\/cloud-han03gmail-com\/"},"uagb_comment_info":0,"uagb_excerpt":"Just now, DeepSeek\u2019s GitHub started updating frequently. It launched and open-sourced a new repository, Tile Kernels, and at the same time updated the DeepEP repository, bringing DeepEP V2 online. It has been less than a week since DeepSeek quietly updated Mega MoE and FP4 Indexer last time. DeepSeek Tile Kernels Link: https:\/\/github.com\/deepseek-ai\/TileKernels According to the…","_links":{"self":[{"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/posts\/2564","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/comments?post=2564"}],"version-history":[{"count":1,"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/posts\/2564\/revisions"}],"predecessor-version":[{"id":2571,"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/posts\/2564\/revisions\/2571"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/media\/2567"}],"wp:attachment":[{"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/media?parent=2564"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/categories?post=2564"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/deepinsightai.io\/de\/wp-json\/wp\/v2\/tags?post=2564"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}