相较前代 Qwen3.5-35B-A3B ，它在 agentic 编程与推理任务上获得显著提升。我们很高兴宣布：阿里巴巴最新的Qwen3.6 系列模型，Qwen3.6-35B-A3B 与 Qwen3.6-35B-A3B-FP8，已在 AMD GPU 实现 Day 0 支持。2. 访问ROCm AI 开发者中心: https://www.amd.com/zh-cn/developer/resourc

5] 访问 ROCm AI Developer Hub，了解更多关于在 AMD GPU 上进行 AI 开发的教程、开源项目和技术博客：https://www.amd.com/en/developer/resources/rocm-hub/dev-ai.html?通过在 AMD GPU 上实现 SGLang 与 vLLM 的 Day 0 支持，我们为开发者提供了强大的算力平台和经过优化的软件栈，使其

与真实 IDE 场景的高适配性：得益于 256k 上下文长度以及对多种 scaffold 模板的适配能力，模型可以无缝接入多种 CLI / IDE 平台（如 Claude Code、Qwen Code、Qoder、Kilo、Trae、Cline 等），覆盖丰富的开发环境。- 先进的 Agentic 能力：通过精心设计的训练流程，模型在长链路推理（long-horizon reasoning）、复杂

当代码走入现实，当复杂的模型遇见AMD的软硬件全栈支持，具身智能的落地不再是远在天边的Demo，而是触手可及的未来。3月28日至29日，由硅谷团队 MakerMods 发起，集结了来自国内及硅谷机器人领域众多社区代表、KOL及专业媒体的 “MakerMods具身智能 × OpenClaw 黑客松” 在深圳南山区火热展开。这种“统一内存、从边缘到云端”的模仿学习方案，在现场得到了参赛团队的极高反馈，

本赛题旨在引导参赛队伍基于 AMD ROCm™软件生态，依托 AMD Radeon™ PRO W系列显卡的算力与显存优势，结合真实科研场景与需求，设计与实现“智能算力赋能科研”的项目方案，展示 AMD 的先进硬件与软件生态在实际工作负载中的性能与工程化能力。在充分利用 ROCm 既有能力的基础上，围绕项目需求实现当前尚未支持的功能，涵盖但不限于：新算法的 ROCm 后端适配与实现、新算子的开发与调

当代码走入现实，当复杂的模型遇见AMD的软硬件全栈支持，具身智能的落地不再是远在天边的Demo，而是触手可及的未来。3月28日至29日，由硅谷团队 MakerMods 发起，集结了来自国内及硅谷机器人领域众多社区代表、KOL及专业媒体的 “MakerMods具身智能 × OpenClaw 黑客松” 在深圳南山区火热展开。这种“统一内存、从边缘到云端”的模仿学习方案，在现场得到了参赛团队的极高反馈，

原文作者：Zijun Wei, Huaqiang Fang, AIG摘 要本文详细呈现了百度 ERNIE-Image 文生图大模型在 AMD Radeon AI PRO R9700（RDNA 4，32 GB GDDR6）上的部署与推理验证。

1. 从AMD Developer Cloud打开：https://amd-ai-academy.com/github/ROCm/gpuaidev/blob/main/docs/notebooks/fine_tune/qwen_image.ipynb。Linux官方支持系统要求：https://rocm.docs.amd.com/projects/install-on-linux/en/lates

utm_source=cn-ai-dev-hub&utm_medium=direct&utm_campaign=adp-aig&utm_term=join），查看预选赛阶段的参考 kernel，并通过 Popcorn CLI 完成结果提交。决赛选手将聚焦于所选LLM任务的端到端推理优化，包括DeepSeek-R1与Kimi K2.5，目标是在AMD GPU上实现标准化LLM推理基准的突破性性能。参

基于以上优化与调优，AMD GPU 在 DeepSeek FP8 的分布式推理性能（InferenceX v2）在 7 天内获得显著提升，覆盖 1K/1K 与 8K/1K 两类场景。InferenceX 作为我们软件栈迭代速度的“试炼场”，用可复现的工程改进来验证端到端推理的提速。我们直接与vLLM、SGLang 集成，确保与标准开源工作流的即时兼容，同时在内核、通信与并行策略上持续优化。例如，我