ROCm 7.14 AI 生态兼容性矩阵全解PyTorch / JAX / vLLM / SGLang 等框架与 AMD GPU 的版本选型指南【免费下载链接】legacy-rocm-buildAMD ROCm™ Software - GitHub Home项目地址: https://gitcode.com/GitHub_Trending/ro/legacy-rocm-build本篇技术指南围绕 ROCm 当前版本7.14.0官方仓库中的AI 生态兼容性矩阵docs/compatibility/include/ai-ecosystem.rst展开完整解读 ROCm 为深度学习框架与推理引擎提供的版本支持范围在什么操作系统、什么 AMD GPUInstinct / Radeon / Ryzen上可以安装哪个版本的 PyTorch、JAX、vLLM、SGLang、MIGraphX 与 ONNX Runtime以及配套的 Python 版本约束。读完本文你将能够对照自己的硬件gfx 架构代号与操作系统在官方支持矩阵中快速定位可用的框架版本组合理解矩阵中 OS / GPU / 家族条件筛选的底层机制并结合仓库源码了解这些数据是如何被渲染、验证与维护的避免在 AI 工作负载中因版本错配而踩坑。什么是 ROCm 的 AI 生态兼容性矩阵ROCm 是一个分层软件栈底层是 GPU 运行时HIP Runtime、编译器和数学库组成的 ROCm Core SDK上层则是面向 AI 用户的深度学习框架与推理引擎。为了保证驱动 — 用户态组件 — 框架三层版本对齐ROCm 官方文档在 兼容性矩阵 中为每个版本维护一份 AI 生态支持表。这份表docs/compatibility/include/ai-ecosystem.rst记录了 ROCm 7.14.0 发行版验证过的框架版本组合包含三个维度Framework框架 / 推理引擎名称Supported versions该框架经验证的可用版本Supported Python versions与上述框架版本配套的 Python 版本。需要强调的是表中大多数条目带有show-cond条件即支持范围并非对所有硬件和系统一视同仁——同一框架在不同 GPU 架构、不同操作系统上支持版本可能不同。这也是本文档采用条件矩阵而非普通静态表格的原因。框架与版本支持总览综合docs/compatibility/include/ai-ecosystem.rst中 LinuxUbuntu、Debian、RHEL、Oracle Linux、Rocky Linux、SLES与 Windows / WSL 两条主线的数据ROCm 7.14.0 的 AI 生态支持情况可归纳为下表FrameworkSupported versions适用平台与 GPUSupported PythonPyTorch2.12.0、2.11.0、2.10.0LinuxInstinctgfx950/gfx942/gfx90a/gfx9083.14、3.13、3.12、3.11PyTorch2.12.0、2.11.0LinuxRadeon / Ryzen3.14、3.13、3.12、3.11PyTorch2.12.0Windows / WSL3.14、3.13、3.12、3.11JAX0.10.0、0.9.1Linuxgfx950/gfx942/gfx1200/gfx1201/gfx1100/gfx1102/gfx11033.14、3.13、3.12、3.11vLLM0.23Linuxgfx950/gfx942/gfx1201/gfx1200/gfx1100/gfx1101/gfx1102/gfx1152/gfx1151/gfx11503.14需 PyTorch 2.11.0SGLang0.5.13Linuxgfx950/gfx942/gfx1201/gfx1200/gfx1100/gfx1101/gfx11023.14需 PyTorch 2.11.0MIGraphX2.16Linuxgfx950/gfx9423.12ONNX Runtime1.23.2Linuxgfx950/gfx9423.12注表中 gfx 编号为 AMD GPU 的架构代号target ID具体的硬件型号映射见下文GPU 架构代号与硬件型号对照一节。按框架逐项解读PyTorch覆盖面最广Linux 与 Windows 均受支持PyTorch 是矩阵中唯一同时出现在 Linux 与 Windows/WSL 两条分支下的框架其支持细节在docs/compatibility/include/ai-ecosystem.rst中被拆成了两行Linux 分支osubuntu osdebian osrhel osoracle-linux osrocky-linux osslesAMD Instinct 数据卡gfx950、gfx942、gfx90a、gfx908支持 2.12.0、2.11.0、2.10.0 三个版本AMD Radeon 显卡与 Ryzen APUfamradeon famryzen支持 2.12.0、2.11.0 两个版本Windows / WSL 分支oswindows oswsl仅支持 2.12.0 一个版本。所有分支的 Python 支持范围一致3.14、3.13、3.12、3.11。由此可以看出两点其一Instinct 专业卡获得的历史版本覆盖最完整三个大版本其二Windows/WSL 下的 PyTorch 版本步进相对保守仅验证了最新版本。JAX覆盖 CDNA 与 RDNA 主流架构JAX 的验证范围集中在 Linux 平台支持的 GPU 架构为 gfx950、gfx942CDNA 数据中心卡以及 gfx1200、gfx1201、gfx1100、gfx1102、gfx1103RDNA 消费级 / 工作站 / APU。支持版本为0.10.0、0.9.1Python 支持 3.14、3.13、3.12、3.11。对于在 AMD GPU 上运行 JAX 数值计算与端到端可微程序的用户应确保安装的 JAX 与rocm运行时组件匹配这两组版本。vLLMLLM 推理的高性能选项vLLM 在 ROCm 7.14.0 中支持版本0.23平台为 Linux。其 GPU 覆盖范围较广gfx950、gfx942Instinctgfx1201、gfx1200、gfx1100、gfx1101、gfx1102Radeon以及 gfx1152、gfx1151、gfx1150Ryzen AI 系列 APU。vLLM 是矩阵中首个对 Python 版本提出强约束的条目Python 3.14 需要配套 PyTorch 2.11.0。也就是说在安装 vLLM 0.23 时不能随意搭配 PyTorch 版本而应保持Python 3.14 PyTorch 2.11.0 vLLM 0.23的组合。另外根据该表的脚注在部分 Radeon GPU 上 LLM 预热warmup时间可能显著变长这是官方已知问题使用 Radeon 跑 vLLM 时需要注意这一现象并预留预热时间。SGLang覆盖 Instinct 与 Radeon 推理场景SGLang 支持版本0.5.13平台为 LinuxGPU 覆盖 gfx950、gfx942、gfx1201、gfx1200、gfx1100、gfx1101、gfx1102Instinct 与 Radeon不含 Ryzen APU。与 vLLM 相同其 Python 3.14 条目同样标注requires PyTorch 2.11.0说明在 ROCm 7.14.0 生态内vLLM 与 SGLang 共享同一套 PyTorch 2.11.0 基线——这在实际部署中意味着若同时使用多个推理框架应统一锁定该 PyTorch 版本。MIGraphX 与 ONNX Runtime推理编译与跨框架执行MIGraphXAMD 的图优化推理引擎支持2.16ONNX Runtime 支持1.23.2二者均仅限 Linux 平台且 GPU 范围收紧到 Instinct 的gfx950、gfx942两类。它们的 Python 支持均为3.12——注意这与 PyTorch/JAX 的 Python 3.14/3.13/3.12/3.11 范围不同是矩阵中对 Python 版本约束最窄的条目。这意味着如果工作流中依赖 MIGraphX 或 ONNX Runtime 的 ROCm 后端需要为它们单独准备 Python 3.12 环境而不是直接复用 vLLM/PyTorch 的 3.14 环境。GPU 架构代号gfx 编号与硬件型号对照矩阵中的gfx编号是 AMD GPU 的架构代号理解它们才能把支持哪些架构翻译成支持哪些型号的显卡。仓库中的 GPU 选择器 提供了完整的代号到型号映射与 AI 生态矩阵直接相关的关键对应关系如下gfx 代号代表硬件gfx950AMD Instinct MI355X / MI350X / MI350Pgfx942AMD Instinct MI325X / MI300X / MI300Agfx90aAMD Instinct MI250X / MI250 / MI210gfx908AMD Instinct MI100gfx1201Radeon AI PRO R9700S / R9700 / R9600D、RX 9070 XT / 9070 GRE / 9070gfx1200Radeon RX 9060 XT LP / 9060 XT / 9060gfx1100Radeon PRO W7900 / W7900 Dual Slot、RX 7900 XTX / 7900 XT / 7900 GREgfx1101Radeon PRO W7700、RX 7800 XT / 7700 XT / 7700、PRO V710gfx1102Radeon RX 7600gfx1103Ryzen 9 270 / 7 260 / 7 250 / 5 系列 / 3 系列及 PRO 系列gfx1150Ryzen AI 9 HX PRO / AI 9 PRO / AI 9 系列gfx1151Ryzen AI Max PRO / Max PRO / AI Max / AI Max 系列gfx1152Ryzen AI 7 PRO 450、AI 5 PRO 440、AI 7 450 等gfx1030Radeon PRO W6800、PRO V620实际选型时可先通过rocminfo查看本机 GPU 的 gfx 代号再与上述矩阵核对。如果 GPU 不在官方支持列表中ROCm 文档还提供了社区路径通过 TheRock 每晚构建获得社区启用的支持参见 安装文档 中关于 TheRock 的说明。操作系统维度与安装方式AI 生态矩阵的 Linux 分支覆盖六个发行版Ubuntu、Debian、RHEL、Oracle Linux、Rocky Linux 与 SLESWindows 分支则包含 Windows 与 WSL。这与 ROCm 安装方法 中的体系一致——不同发行版走不同的原生包管理器Ubuntu/Debian 用aptRHEL/Oracle/Rocky 用dnfSLES 用zypper。对于以 Python 为中心的工作流推荐使用 pip 方式在虚拟环境中安装 ROCm 组件。仓库中的 pip 包表 给出了与 AI 框架搭配的关键包选择rocmCore SDK 基础包运行时、HIP、编译器、工具与剖析 SDK所有用户必需rocm[libraries]预编译的数学与机器学习主机库PyTorch、JAX 等 ML 框架所必需rocm[devel]编译器、CMake 配置、头文件与静态库用于开发构建rocm[device-gfxXXXX]如rocm[device-gfx950]、rocm[device-gfx942]等对应目标的预编译 GPU 内核运行 GPU 负载必需会随libraries一起安装不确定时可使用rocm[device-all]覆盖全部目标rocm[profiler]rocprofiler-systems 与 rocprofiler-compute 等剖析工具可选。其中device-gfxXXXX系列恰好与 AI 生态矩阵中的 gfx 代号一一对应也就是说你在矩阵中查到我的 gfx942 支持 PyTorch 2.12.0那么在 pip 安装侧就应当选中rocm[device-gfx942]这个 extra二者共同保证框架版本与GPU 内核的匹配。条件矩阵的底层渲染机制这份 AI 生态表不是一份写死的 HTML 表格而是一个由仓库自定义 Sphinx 指令驱动的条件矩阵。其实现位于 docs/extension/rocm_docs_custom/matrix/init.py.. matrix::、.. matrix-head::、.. matrix-row::、.. matrix-cell::四级指令分别渲染table、thead、tr、th/td每个单元格与行可携带:show-cond:选项如gfxgfx950 gfxgfx942、osubuntu该值会被工具函数 kv_to_data_attr 解析为形如data-show-cond{gfx: [gfx950, gfx942]}的 JSON 属性写入渲染后的 HTML前端脚本见 selector 扩展读取这些data-show-cond条件在用户切换操作系统 / GPU 型号 / 设备家族时动态显隐行与单元格。这解释了为什么docs/compatibility/include/ai-ecosystem.rst中每个条目都带有成对出现的:show-cond:——同一份源码通过条件控制在不同硬件环境下展示不同的支持版本集合。本文前述表格即为在全部条件展开视角下的完整视图而在官方文档站点上你会看到它随选择器实时过滤。类似的机制还被复用于 兼容性矩阵主页 的系统需求表、Core SDK 组件表以及虚拟化支持表。如何用这份矩阵做版本选型结合以上解读给出基于本矩阵的实操选型步骤确定硬件运行rocminfo或rocm-smi记录 GPU 名称与 gfx 架构代号如gfx942确定系统确认发行版Ubuntu/Debian/RHEL/Oracle/Rocky/SLES/Windows/WSL与 Python 环境查矩阵对照 ai-ecosystem.rst看你的 gfx 代号与 OS 组合下目标框架允许哪些版本注意 Instinct 与 Radeon/Ryzen 的版本集合可能不同核对联动约束若使用 vLLM 0.23 或 SGLang 0.5.13Python 必须为 3.14 且搭配 PyTorch 2.11.0若使用 MIGraphX 2.16 / ONNX Runtime 1.23.2则需 Python 3.12 环境且仅限 gfx950/gfx942安装配套组件通过 pip 安装rocm[libraries]与对应的rocm[device-gfxXXXX]参考 pip-packages-table.rst保持 GPU 内核与框架版本一致版本核对安装完成后可通过rocm-smi --showproductname确认驱动栈可见再以框架自带的版本自检命令如python -c import torch; print(torch.__version__)验证实际安装版本落在矩阵范围内。结论ROCm 7.14.0 的 AI 生态兼容性矩阵ai-ecosystem.rst为 PyTorch、JAX、vLLM、SGLang、MIGraphX 与 ONNX Runtime 六类框架/引擎划定了清晰的硬件 × 系统 × Python支持边界PyTorch 覆盖面最广含 Windows/WSLvLLM 与 SGLang 共享 PyTorch 2.11.0 基线并约束 Python 3.14MIGraphX 与 ONNX Runtime 则聚焦 Instinct 的 gfx950/gfx942 且要求 Python 3.12。矩阵背后的条件渲染机制matrix 扩展保证了这些约束在文档站点上随硬件选择器动态生效。规划 AMD GPU 上的深度学习训练与推理部署时请以本矩阵为准绳进行版本对齐这是获得预期 GPU 运行表现的前提。【免费下载链接】legacy-rocm-buildAMD ROCm™ Software - GitHub Home项目地址: https://gitcode.com/GitHub_Trending/ro/legacy-rocm-build创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考