在此基础上，用高质量的过程级标注数据训练 PRM，则相当于一种“基于 ORM 的微调”。此外，Athena-PRM 在 VisualProcessBench 上达成了最新的 SoTA（state-of-the-art）结果，相比此前的 SoTA 提升 3.9 F1，说明其在精确判别中间推理步骤正确性方面具有强大的能力。特别是，当使用 Qwen2.5-VL-7B 作为策略模型时，在Test-Time

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

通过解决特征通道中被忽视的冗余，并采用“剪枝与恢复”的策略，SparK 在保持模型精度的同时，相比传统方法减少了超过 30% 的 KV 缓存存储。在 解码阶段，SparK 利用 F 和从缓存分布中采样来重建被剪枝的通道，然后执行标准的完整注意力计算。图 1：示意性比较 (a) 完整 KV 缓存，(b) 基于淘汰的 KV 压缩，(c) 基于结构化通道剪枝的 KV 缩减，以及 (d) 我们提出的。通过

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

我们在Qwen3-32B 的 TP=2 设置下，基于 ROCm 的 AITER 框架[9]，对这些规则进行了测试，并将“智能体生成的启发式”与 AITER 的“默认启发式”以及“离线调优启发式”做对比。本文介绍如何使用面向 AI 的高效内核生成（Generating Efficient AI-centric Kernels，GEAK）智能体对 HIP 代码进行自动化优化，展示 GEAK 的智能体流

如果你关心具体部署策略和性能调优实践，可以参考以下相关文章：多模态推理加速（一行配置的优化）[4]，MoE 并行策略（TP/DP/PP/Expert Parallelism 指南）[5]， vLLM 0.9.x 在 AMD GPU 上的性能调优实践 [6]。在vLLM-omni 发布当天，社区就确保 AMD 用户“首发同享”：vLLM-omni 从一开始就为 AMD ROCm GPU 提供了稳定、