Amd Gpu
PulseAugur coverage of Amd Gpu — every cluster mentioning Amd Gpu across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架优化深度学习和 HPC 的 GPU 内核 · 跟踪 3 个来源
三篇新的研究论文介绍用于优化 GPU 内核的先进框架，这对于深度学习和高性能计算至关重要。HIERA 专注于跨 PyTorch 和 CUDA 等不同实现空间的感知工作负载规划，展示了更高的效率和性能。AsmEvo 在 AMD GPU 的汇编级别进行优化，验证功能等价性并在生产工作负载上实现显著加速。KernelArc 在 NVIDIA GPU 上采用多智能体框架进行自主优化，通过协调专业智能体在基准排行榜上获得顶尖排名。
-
AMD 发布 ROCm 7.14 "TheRock" 技术预览版以支持最新 GPU
AMD 发布了其 ROCm 7.14 计算堆栈的技术预览版，代号为“TheRock”。此更新旨在支持最新的 AMD GPU 硬件。该版本可供希望在 AMD 显卡上测试最新功能和性能改进的用户使用。
-
RealityScan 2.2 新增 AMD GPU 支持，支持 NVIDIA/AMD 混合环境
RealityScan 发布了 2.2 版本，现已支持 AMD GPU，并可在 NVIDIA GPU 的混合环境中运行。此次更新增强了这款 3D 扫描软件的功能。
-
用户脚本提升旧款 AMD GPU 上的 SDXL 性能
一位用户开发了一个脚本，使 Stable Diffusion XL (SDXL) 能够在具有 8GB 显存的旧款 AMD GPU 上更高效地运行。该脚本绕过了 Windows 上存在问题的 DirectML 后端，转而使用原生 ROCm/HIP 支持。此优化显著将每迭代的生成时间从 3.5 秒缩短到 1.6 秒，并将显存使用量减半，从而可以使用节省内存的 GGUF 模型。
-
ROCm 对决 CUDA：选择正确的 AI 开发平台
本文比较了 ROCm 和 CUDA，这是两个主要的 AI 开发平台。文章详细介绍了作者在使用 ROCm 在 AMD GPU 上训练 PyTorch 模型时的个人经历，并强调了遇到的挑战。该文旨在指导用户选择最适合其 AI 训练需求的选择。
-
用户仅使用开源、自托管工具制作5分钟AI播客
一位用户完全使用开源和自托管工具，在家庭PC上创建了一个五分钟的AI生成播客。这个项目被称为“无人工播客”，旨在测试在不依赖昂贵或侵犯隐私的云服务的情况下，制作音频内容的可行性和质量。创作者记录了整个过程，强调了使用AMD GPU进行本地LLM处理以及在生产的各个阶段使用各种开源软件。
-
开发者使用 Qwen 模型在本地免费运行 Anthropic Code
一位开发者成功地在本地运行了 Anthropic 的 Claude Code 四小时，处理了 700 万 token，没有产生 API 费用。这是通过 LiteLLM 将 Claude Code 的请求路由到一个本地运行的 Qwen3.6-27B-MTP 模型实现的，该模型通过 llama.cpp 在 AMD GPU 上运行。该设置提供了无速率限制、增强的隐私和离线功能等优势，开发者提供了详细的说明和硬件要求以供复制。