AMD 正式发布对 Qwen3.8 27B 的 Day 0 支持，让开发者能够在该最先进的高密度模型发布之日起，就在 AMD 驱动的 PC 和工作站上本地运行它。

Qwen3.8 27B 将 Qwen 系列的最新一代产品带到了更适合本地 AI 开发的机型尺寸。Qwen 3.8 延续了其对编码、实际应用、研究和长期 AI 工作负载的关注，进一步加快了我们在开放 AI 领域看到的创新步伐。

用户可以通过llama.cpp等开放框架，将 Qwen3.8 27B 直接部署到搭载 AMD Ryzen™ AI Max+ 处理器或单块 AMD Radeon™ AI PRO R9700 32 GB 显卡的系统上。该模型还可在配备超过 24 GB 可变显存 (VRAM) 的受支持 AMD 硬件上运行。这意味着用户可以在同一台机器上构建、测试和使用应用程序，并同时拥有功能强大的新模型。而且，它从发布之日起即可投入使用。

早期测试表明，Qwen3.8 27B 在 AMD 硬件上表现出色，在 AMD Ryzen™ AI Max+ 395 上最高可达每秒 24.5 Tokens，在单块 AMD Radeon™ AI PRO R9700 上最高可达每秒 51.8 Tokens。作为一款 27B dense稠密模型，Qwen3.8 27B 对内存容量和计算能力要求较高，因此强大的本地硬件配置至关重要。

初步数据：Qwen3.8 27B 在 llama.cpp 中运行于 AMD Ryzen AI Max+ 上。

这些初步结果是在 Windows 系统上使用流行的 llama.cpp 项目和 Vulkan 后端测得的，Ryzen AI Max+ 395 的 MTP 设置为 4，Radeon AI PRO R9700 的 MTP 设置为 2，采用至少三次运行的平均Tokens生成吞吐量。随着软件和模型优化工作的继续进行，我们预计随着 Day 0 支持的完善，性能将持续提升。

使用 LM Studio 运行

对于想要立即开始使用 Qwen3.8 27B 的高级用户和爱好者来说，LM Studio 提供了一种在本地运行模型的直接方法。

在支持的 AMD 系统上，用户可以通过熟悉的图形界面发现、下载并开始使用该模型。Qwen3.8 27B 可与 LM Studio 配合使用，推荐的 AMD 硬件包括基于 AMD Ryzen™ AI Max+ 处理器的系统和 AMD Radeon™ AI PRO R9700 32 GB 显卡。请注意，该模型需要大约 24GB 的可变显存 (VRAM) 才能流畅运行，并且也可在 LM Studio 中运行于较旧的、受支持的 AMD 平台上。

注意：为获得最佳性能，必须启用 MTP 并设置正确的draft Tokens（草稿模型）数量。AMD Ryzen™ AI Max+ 设置为 4，AMD Radeon™ AI PRO R9700 设置为 2。在高级模型加载设置中取消选中“Try mmap”。

这使得 LM Studio 成为探索模型、测试提示和工作流程以及了解 Qwen3.8 27B 在本地无需编写任何应用程序代码即可执行哪些操作的便捷首选平台。对于 AMD 用户而言，LM Studio 是围绕开放模型和广泛采用的推理技术（例如 llama.cpp）构建的、不断发展的本地 AI 生态系统的一部分，为用户提供了从模型下载到本地推理的便捷路径。

与Lemonade整合

运行模型只是第一步。开发者更大的机遇在于将本地人工智能融入应用程序的原生功能中。

这就是Lemonade发挥作用的地方。

Lemonade 是 AMD 的本地优先开发者平台，旨在降低在 PC 上部署 AI 的复杂性。其多引擎架构提供统一的接口，同时能够根据可用的 CPU、GPU 和 NPU 资源进行硬件感知的后端选择和优化。AMD 设计 Lemonade 的初衷正是为了解决开发者在不同硬件配置上构建本地 AI 应用时面临的部署挑战。

对于应用程序开发人员来说，Lemonade 可以与应用程序一起打包为轻量级的本地推理层，使应用程序能够通过熟悉的 API 模式与 Qwen3.8 27B 通信，而无需开发人员自己构建和维护特定于硬件的推理堆栈。

这样一来，开发人员的工作就简单多了：发布应用程序，启动本地推理服务，连接到模型，然后让 Lemonade 处理底层 AMD 平台集成。

通过对最先进本地模型的Day 0支持，推进人工智能发展

开放式人工智能的发展速度并未放缓，用户不应该每次有新模型出现时都不得不等待他们的硬件和软件生态系统跟上。

Qwen3.8 27B 是本地人工智能向前迈出的又一个重要一步，它将新一代的功能引入到用户可以直接安装在自己系统上的模型中。

AMD Ryzen AI Max+ 处理器和 AMD Radeon AI PRO R9700 显卡为开发者提供了强大的本地运行平台。LM Studio 提供了一种快速体验该程序的方法。Lemonade 则提供了一种将其转化为应用程序的方法。

有了 AMD 的 Day 0 支持，您可以从第一天就开始构建。

尾注

*SHO-79：AMD 于 2026 年 8 月使用 Qwen 3.8 27B 版本在 Windows 系统上使用 Vulkan 后端和 MTP=4 进行测试，测试代码为 llama.cpp。性能指标为至少三次运行的平均令牌生成吞吐量。系统配置：GMKtec EVO X2 AI 迷你电脑，搭载 AMD Ryzen™ AI Max+ 395 处理器，配备 128GB 系统内存（VGM 设置为 64GB），Windows 11 专业版 25H2，AMD 软件：Adrenalin Edition 26.7.1，AMD 芯片组驱动程序 8.05.04.516。所有数值均为最高值。实际性能可能有所不同。SHO-79。RPW

-542：AMD 于 2026 年 8 月使用 Qwen 3.8 27B 版本在 Windows 系统上使用 Vulkan 后端和 MTP=2 进行测试，测试代码为 llama.cpp。性能以三次或以上运行的平均令牌生成吞吐量衡量。系统配置：AMD Radeon™ AI PRO R9700 系统，配备 AMD Ryzen 9 9950X 16 核处理器、64GB 系统内存、Windows 11 专业版 25H2、AMD 软件：Adrenalin Edition 26.7.1、AMD 芯片组驱动程序 8.05.04.516。所有数值均为最高值。实际性能可能有所不同。RPW-542。*

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】