全新ai原生开发体验赋能开发者，借助自然语言交互与主流ai编程助手，在amd平台上高效完成ai工作负载的安装、部署、故障诊断及性能调优。
核心亮点：
● AMD在Advancing AI 2026大会正式发布ROCm.ai——专为AMD平台打造的AI原生软件开发体验。
● ROCm.ai深度融合ROCm CLI、AMD Skills以及AI驱动型软件优化能力，构建一体化开发者工具链。
● 开发者可通过自然语言指令，结合Claude、Cursor、Codex等AI编程助手，实现AI应用从环境搭建到上线运行的全流程操作。
● 借助AI对计算内核、内存调度、并行执行逻辑与任务分配机制的智能重构，ROCm.ai持续强化ROCm软件栈效能，显著提升开发效率。
● 在相同硬件条件下，搭载ROCm.ai的新版ROCm相较于ROCm 7，在实测中达成平均3.3倍推理吞吐量提升与2.4倍训练速度跃升。
内容概要：
AMD于Advancing AI 2026峰会重磅推出ROCm.ai，这是一套深度融合AI能力的原生开发平台，整合ROCm CLI、AMD Skills与AI驱动优化引擎，全面覆盖AI模型在AMD平台上的构建、部署与调优环节。该平台将AMD官方技术知识体系嵌入Claude、Codex、Cursor等主流AI编程助手，使开发者无需翻阅文档即可获取精准适配AMD软硬件栈的专业建议。实测数据显示，在同等硬件配置下，新版ROCm依托ROCm.ai相较ROCm 7，推理性能平均提升3.3倍，训练性能平均提升2.4倍。
常见问题解答：
什么是ROCm.ai？
ROCm.ai是AMD面向AI开发者推出的AI原生开发平台，致力于简化AI应用在AMD平台上的全生命周期管理——涵盖开发、部署与性能优化各阶段。
ROCm.ai包含哪些关键模块？
ROCm.ai由三大核心组件构成：ROCm CLI（统一命令行接口）、AMD Skills（集成至主流AI编程助手的技术知识库），以及Hyperloom（开源Agentic AI系统，专注端到端推理优化）。
AMD为何推出ROCm.ai？
ROCm.ai旨在降低AI开发门槛，让开发者通过自然语言与AI助手快速落地构想，大幅压缩从原型验证到生产部署的时间周期。
ROCm.ai如何实现性能跃升？
通过AI算法自动识别并优化关键路径——包括计算内核编译策略、显存访问模式、线程级并行结构及GPU任务调度逻辑，从而释放硬件潜能。
官方公布的性能数据有哪些？
AMD证实，在相同硬件平台上，启用ROCm.ai的最新ROCm版本相较ROCm 7，推理性能平均提升3.3倍，训练性能平均提升2.4倍。
值得关注的新动向有哪些？AMD正式发布ROCm.ai——一个面向AMD GPU生态的AI原生开发平台。它将AI辅助编码、智能部署流程与AI驱动的底层优化能力融为一体，形成统一开发范式。ROCm.ai于Advancing AI 2026峰会首发，具体包括：ROCm CLI——全新命令行工具，支持AI工作负载的一键安装、环境校验、部署管理与问题定位；AMD Skills——将AMD官方技术文档与最佳实践注入Claude、Cursor、Codex等AI编程助手，提供场景化、平台专属的技术指导；Hyperloom——新一代开源Agentic AI框架，可全自动完成从性能剖析、瓶颈定位、内核重写到结果验证的整套推理优化流程。借助这一整合式体验，开发者可在AMD平台上无缝完成AI工作负载的安装、部署、调试与性能调优。
为何此项进展意义重大？当前AI开发正加速向Agent化演进，自然语言+AI助手已成为主流开发范式。ROCm.ai将AMD深度积累的平台专业知识直接注入开发者日常使用的AI工具链中，输出的是针对AMD硬件特性的定制化方案，而非泛用性建议，极大提升了AI应用在AMD平台上的构建效率与运行质量。AMD Skills显著降低了ROCm入门门槛，减少开发者查阅文档与反复试错的时间成本。同时，ROCm.ai还具备自我进化能力，持续利用AI对ROCm软件栈进行智能化迭代优化——涵盖并行调度策略、内存带宽利用效率、计算内核编译质量等多个维度。测试表明，在相同硬件上，新版ROCm叠加ROCm.ai后，推理性能平均提升3.3倍，训练性能平均提升2.4倍。
AMD在其中扮演何种角色？
“AMD始终以赋能开发者为核心使命。ROCm.ai标志着Agentic AI开发范式正式登陆AMD平台——这些AI Agent不仅能答疑解惑，更能自主开展性能分析、应用调试，并主动推动工作负载在AMD硬件上达到最优表现。这不仅是ROCm软件栈的重要升级，更是连接创意构想到真实运行的关键桥梁，助力开发者以前所未有的速度完成开发—部署—优化闭环。无论你是初始化开发环境、上线大模型服务，还是深入调优GPU利用率，ROCm.ai都能在你常用的AI编程助手中实时响应、精准执行。”
— AMD AI软件副总裁 Anush Elangovan
ROCm.ai究竟是什么？ROCm.ai是AMD为AI开发者量身打造的AI原生开发平台，目标是加速AI应用在AMD平台上的落地进程。它将ROCm CLI、AMD Skills与AI驱动型软件优化能力有机融合，形成覆盖AI开发全流程的统一交互界面，显著简化从环境配置、模型部署到性能调优的复杂步骤。
情感新闻资讯类网站模板(带手机端)，支持可视化，自定模型内容，简洁后台易上手，支持自定义内容栏目等。模板特点： 1、安装即用，自带人人站CMS内核及企业站展示功能（产品，新闻，案例展示等），并可根据需要增加表单 搜索等功能（自带模板） 2、带手机端 3、前端banner轮播图文本均已进行可视化配置 4、伪静态页面生成 5、支持内容模型、多语言、自定义表单、筛选、多条件搜索等功能 6、支持多种URL
● ROCm CLI提供标准化命令行接口，支持在AMD平台上一键完成AI工作负载的安装、验证、部署、更新与故障排查。其内置硬件感知逻辑、自动化环境配置能力及离线（Air-gapped）部署支持，确保跨环境部署一致性与安全性。
● AMD Skills将AMD官方技术知识库深度集成至Claude、Cursor、Codex等主流AI编程助手，使开发者获得基于真实硬件特性和软件栈行为的专业建议，彻底摆脱通用性回答的局限。
● Hyperloom作为开源Agentic AI系统，可全自动执行AI推理工作负载的端到端优化流程，涵盖性能画像生成、瓶颈根因分析、计算内核重写、优化效果验证等环节，将原本需数周专业工程投入的任务压缩至数小时内完成。
● 借助Hyperloom等AI驱动优化能力，ROCm.ai持续对ROCm软件栈进行智能演进，重点优化并行任务调度、显存管理策略与计算内核生成逻辑，从而在不更换硬件的前提下持续提升AI推理与训练性能，并同步改善开发体验。
● ROCm.ai计划于2026年8月起正式开放使用。
本文可能包含Advanced Micro Devices, Inc.（AMD）依据《1995年美国私人证券诉讼改革法案》（Private Securities Litigation Reform Act of 1995）安全港条款作出的前瞻性声明。此类声明通常包含“将会（would）”、“可能（may）”、“预计（expects）”、“认为（believes）”、“计划（plans）”、“旨在（intends）”、“预计（projects）”等措辞。投资者须知，所有前瞻性声明均基于AMD当前判断、假设与预期，仅代表本文发布当日观点，并受制于可能导致实际结果与预期产生重大偏差的风险与不确定性。上述风险因素包括已知与未知变量，其中多数难以预测且超出AMD控制范围，可能造成实际成果与前瞻性表述存在实质性差异。投资者应详阅AMD向美国证券交易委员会（SEC）提交的文件中披露的相关风险，尤其是最新10-K年度报告与10-Q季度报告。
除非法律另有规定，AMD不承担亦明确拒绝承担更新本文前瞻性声明之义务。
(MI350-81) AMD Performance Labs于2026年7月7日开展推理性能测试，指标为每秒生成Token数（Tokens Per Second，TPS）。对比对象为搭载8× AMD Instinct MI355X GPU的Supermicro服务器，分别运行AMD ROCm 7.0与ROCm.ai预览版（ROCm 7.2.2，含计算内核、并行机制及调度策略等多项AI优化）。测试模型涵盖GLM-5、Kimi-K2.5与DeepSeek-R1-0528。
文中所述3.3倍推理性能提升为上述三模型TPS增幅的加权平均值。
硬件配置
Supermicro AS-4126GS-NMR-LCC（主板 H14DSG-OD）
8× AMD Instinct MI355X；BIOS AMI v1.4a（2025-04-16）；GPU固件 SMC 04.86.11.02，TA RAS 27.69.00.10，TA XGMI 32.00.00.20，RLC43，MEC36，SDMA12；Ubuntu 22.04.2 LTS，内核 5.15.0-70-generic，amdgpu驱动 6.16.6，主机端 ROCm 7.1.0。
软件配置
GLM-5 ROCm Docker镜像：rocm/sgl-dev:v0.5.8.post1-rocm700-mi35x-20260219
PyTorch 2.8.0，SGLang v0.5.8
Kimi ROCm Docker镜像：vllm/vllm-openai-rocm:v0.16.0，vLLM v0.16.0
DeepSeek-R1 Docker镜像：rocm/7.0:…sgl-dev-v0.5.2-rocm7.0-mi35x-20250915，SGLang V0.5.13
对比组配置
GLM-5 ROCm Docker镜像：rocm/atom:rocm7.2.2_ubuntu24.04_py3.12_pytorch_release_2.10.0_atom0.1.2.post，ATOM v0.1.2.post
Kimi ROCm Docker镜像：vllm/vllm-openai-rocm:v0.22.0，vLLM V0.22.0
DeepSeek-R1 Docker镜像：lmsysorg/sglang-rocm:v0.5.13-rocm720-mi35x-20260612，SGLang V0.5.13
不同厂商服务器配置存在差异，测试结果仅供参考。实际性能表现将因硬件选型、软件版本、vLLM更新状态及最新驱动与优化策略而异。（MI350-81）
(MI350-82) AMD Performance Labs于2026年7月7日开展训练性能测试，指标为每秒生成Token数（Tokens Per Second，TPS）。测试平台为8× AMD Instinct MI355X GPU服务器，选用DeepSeek-V2-Lite、DeepSeek-V3-16B与Qwen3-30B-A3B三款模型，通过Megatron-LM对比AMD ROCm 7.0与ROCm.ai预览版（ROCm 7.2.2，含计算内核、并行机制及调度策略优化）的训练吞吐量。
文中所述2.4倍训练性能提升为三模型TPS增幅的加权平均值。
硬件配置
Supermicro AS-4126GS-NMR-LCC（主板H14DSG-OD）
8× AMD Instinct MI355X；BIOS AMI v1.4a（2025-04-16）；GPU固件 SMC 04.86.11.02，TA RAS 27.69.00.10，TA XGMI 32.00.00.20，RLC 43，MEC 36，SDMA 12；Ubuntu 22.04.2 LTS，内核 5.15.0-70-generic，amdgpu驱动 6.16.6，主机端 ROCm 7.1.0。
软件配置
DeepSeek-V2-Lite：ROCm 7.2.1 + Primus v26.3
DeepSeek-V3-16B：ROCm 7.2.1 + Primus v26.3
Qwen3-30B-A3B：ROCm 7.2.1 + Primus v26.3
不同厂商服务器配置存在差异，测试结果仅供参考。实际训练性能将受硬件配置、软件环境、驱动版本及优化策略影响。（MI350-82）
