AMD ROCm HRX Loom 0.2 正式发布:C++ 完整程序编写能力增强,GPU/NPU/Vulkan 打包部署进一步完善
AMD 面向 AI 智能体工作流的编译、运行时与服务基础设施 ROCm HRX Loom 已发布 0.2.0 版本,这是继上个月 0.1 首个版本之后的第二次迭代。这次更新的核心思路很直接:一边把开发者写程序的方式往 C++ 完整程序级推,一边把执行面铺到 AMD GPU、NPU 和 Vulkan 设备上,同时把编译器目标扩到 x86、AIE2P、AMDGPU、SPIR-V、WebAssembly 五类后端;底层则统一到基于 libamdf 的 AMD 硬件抽象层(HAL),把旧的 ROCr 驱动和遗留选择器彻底删掉,顺带在 JIT 编译、图构建、GPU 调度回放、流水线规划和长上下文服务这些容易堆开销的环节上做了去固定成本、去超线性成本的优化。对在 AMD 平台上做本地推理、智能体工作流和跨硬件部署的开发者来说,0.2 是一个 “写得更顺、跑得更宽、栈更干净” 的版本。
这次更新到底改了什么
Loom 在 ROCm 体系里承担编译器、运行时和模型服务三层角色,0.2.0 官方公告把新增能力归纳为四类:
- 完整程序级 C++ 编写:不再受限于片段式 kernel 编写,开发者可以用 C++ 直接组织完整程序。
- 运行时托管对象:由运行时提供托管对象,简化内存对象的生命周期管理。
- 有状态有限服务(stateful finite services):支持在服务端保留状态的有限服务模型,方便搭建多轮、有记忆的智能体工作流。
- 打包式 AMD GPU / NPU / Vulkan 执行:程序可以打包后在 AMD GPU、AMD NPU 以及 Vulkan 设备上直接执行。
| 能力项 | Loom 0.2.0 的具体变化 |
|---|---|
| C++ 支持 | 完整程序 C++ 编写、运行时托管对象、有状态有限服务 |
| 设备执行 | 打包式 AMD GPU、NPU 与 Vulkan 执行 |
| 目标编译器 | 共享目标编译器覆盖 x86、AIE2P、AMDGPU、SPIR-V、WebAssembly |
| 执行路径 | 原生支持 RDNA、CDNA 架构,支持 CPU/GPU/NPU 共享内存约定 |
| 底层抽象 | 工具、示例、服务、检测工具与硬件校验统一走 libamdf 支撑的 AMD HAL |
| 遗留清理 | 移除旧版 ROCr 驱动、legacy-amdgpu 选择器及独立运行时 / 内存归属路径 |
编译目标与硬件覆盖
这次共享目标编译器(shared target compiler)的覆盖面是版本里值得重点关注的一点:同一份上层程序可以经过编译器落到不同后端,而不是每个目标各维护一套工具链。
- x86:CPU 执行与本地调试。
- AIE2P:面向 AMD AI Engine 阵列(NPU / 加速器侧)的后端。
- AMDGPU:原生 AMD GPU 执行,覆盖 RDNA 消费 / 专业显卡与 CDNA 数据中心加速卡两条线。
- SPIR-V:通用图形 / 计算中间表示后端。
- WebAssembly:可面向 Web 或 wasm 运行环境部署。
在原生 AMD 执行路径上,0.2 还支持显式算力资源选择、协同执行、虚拟地址映射和可复用命令缓冲区,CPU、GPU、NPU 之间走统一的内存约定,减少跨设备拷贝和内存归属上的歧义。
底层栈统一:libamdf + AMD HAL,旧 ROCr 路径移除
0.2 一个比较大的工程改动是把整套工具链收口到统一硬件抽象层:
- 所有 Loom 工具、示例、服务组件、sanitizer(检测工具)和硬件校验流程,现在都通过现有的 --device=amdgpu 写法,使用基于 libamdf 的 AMD HAL。
- 原生路径直接对接 RDNA 和 CDNA 硬件,共享 CPU/GPU/NPU 内存契约。
- 旧的 ROCr 后端驱动、legacy-amdgpu 设备选择器,以及与之配套的独立运行时和内存归属路径被整体移除。
这样做的实际效果是减少软件栈碎片化:以前不同设备要挂不同驱动、不同运行时和不同内存管理路径,现在统一到一条 HAL 路径上,维护复杂度和行为不一致的问题都会降低。需要注意的是,移除遗留路径意味着仍依赖旧 ROCr 选择器或旧内存归属写法的工程,升级到 0.2 时需要按新 HAL 接口迁移。
性能优化:去掉固定与超线性开销的环节
公告明确提到,0.2 从以下环节中移除了固定成本和超线性(superlinear)成本:
- JIT 编译
- 图构建与图更新
- GPU 调度(launch)与回放(replay)
- 流水线规划
- 长上下文服务(long-context serving)
换句话说,除了 “新增功能”,这一版还在冷启动、动态建图、重复调度和长上下文推理这些高频路径上压开销,规模越大、上下文越长、调用越密集,这类优化的收益通常越明显。
上手方式:环境要求、安装与设备选择
根据 ROCm 官方文档,hrx-loom 以 Python wheel 形式分发,安装包内包含 Loom 编译器、运行时、Python API 和命令行工具(loom-fetch、loom-serve、loom-benchmark、loom-run);源码模型走内置 JIT 编译器,运行已发布模型不需要单独拉仓库或搭构建工具链。
环境基线
| 平台 | 系统运行时要求 |
|---|---|
| Linux x86-64 | glibc 2.39 及以上,libstdc++ 提供 GLIBCXX_3.4.31;Ubuntu 24.04 标准 libstdc++6 满足基线 |
| Windows 11 x86-64 | 安装 Microsoft Visual C++ v14 x64 Redistributable |
| Python | 3.12 或更新版本 |
安装命令(Linux 示例)
python3 -m venv .venv
source .venv/bin/activate
python -m pip install 'hrx-loom[hf]'
[hf] 可选附加项用于安装 Hugging Face 模型获取支持;模型资产来自本地目录或普通 HTTP URL 时,直接装 hrx-loom 即可。SDK 自带原生库和 C++ importer 支持,不强制要求单独安装 ROCm SDK。
设备选择参数
| 设备参数 | 对应执行设备 |
|---|---|
| task | CPU 执行 |
| amdgpu | 原生 AMD GPU 执行 |
| xdna | AMD NPU 执行 |
| vulkan | Vulkan 执行 |
Vulkan 路径动态加载系统 Vulkan 加载器,要求 Vulkan 1.3 设备并支持缓冲区设备地址(buffer device address);SDK 本身不捆绑 Vulkan 加载器或厂商驱动。另外要注意:模型必须为所选设备提供对应程序,装上 SDK 并不会自动让任意模型在所有目标上都可移植。Linux 容器或沙箱环境里,NPU 还需要正确暴露 /dev/accel/accelN 设备节点并具备读写权限。
版本定位与后续
从上下文看,HRX(Hip Runtime eXtended)原本就是 AMD 本地 AI 软件栈中位于编译产物与硬件之间的轻量运行时层,负责在 Windows 和 Linux 上加载、执行工作负载,处理内存管理、异步排队、同步和命令执行;Loom 则是在这一层之上面向 AI 智能体工作流的编译 — 运行 — 服务基础设施。0.2 在 0.1 首发的基础上补齐了 C++ 编程表达、多设备打包执行和跨后端编译覆盖,后续完整更新日志、源码和示例工程可在官方 GitHub 仓库查阅。
【相关 FAQ】
问题 1:AMD ROCm HRX Loom 0.2 是什么?在 GPU 和 NPU 部署中扮演什么角色?
回答 1:HRX Loom 0.2 是 AMD ROCm 体系下面向 AI 智能体工作流的编译器、运行时和模型服务基础设施。它把上层模型或程序编译后,交由运行时在 AMD GPU、AMD NPU、Vulkan 乃至 CPU 上执行,开发者通过 loom-serve、loom-fetch、loom-benchmark 等命令完成模型获取、部署服务和性能基准测试,相当于 GPU 与 NPU 部署链路里的统一编排层。
问题 2:HRX Loom 0.2 相比 0.1 在 C++ 开发和 GPU/NPU 打包执行上新增了哪些能力?
回答 2:相比上个月的 0.1 首发版,Loom 0.2 新增了完整程序级 C++ 编写、运行时托管对象和有状态有限服务;执行侧补齐了打包式 AMD GPU、NPU 和 Vulkan 执行,共享目标编译器扩到 x86、AIE2P、AMDGPU、SPIR-V、WebAssembly;原生 GPU 路径支持 RDNA 与 CDNA 架构,并提供 CPU/GPU/NPU 统一内存约定、显式资源选择、协同执行、虚拟映射和可复用命令缓冲区。
问题 3:本地部署 HRX Loom 0.2 对系统环境有什么要求?怎么选择 GPU、NPU 或 Vulkan 设备?
回答 3:需要 Python 3.12 及以上;Linux x86-64 要求 glibc 2.39+(Ubuntu 24.04 满足基线),Windows 11 x86-64 需要 VC++ v14 x64 Redistributable。安装后用设备参数选择执行目标:task 走 CPU,amdgpu 走原生 AMD GPU,xdna 走 AMD NPU,vulkan 走 Vulkan 设备。Vulkan 还要求系统具备 Vulkan 1.3 且支持 buffer device address 的设备与对应驱动,SDK 不捆绑加载器。
问题 4:HRX Loom 0.2 为什么要移除旧版 ROCr 驱动和 legacy-amdgpu 选择器?对开发者有什么影响?
回答 4:移除的目的是把 GPU/NPU 等执行路径统一收口到基于 libamdf 的 AMD HAL,用单一 --device=amdgpu 写法替代原先分散的驱动、运行时和内存归属路径,减少栈碎片化和行为不一致。影响是:仍在使用旧 ROCr 后端、legacy-amdgpu 选择器或旧内存归属接口的工程,升级到 Loom 0.2 时需要迁移到新 HAL 路径;新代码直接按统一 HAL 接口开发即可。
【参考资料】
- [2026-11-17](AMD ROCm HRX Loom 0.2 正式发布)今日头条・华商网(转快科技):http://m.toutiao.com/group/7708986132444283392/
- [2026-11-17](AMD ROCm HRX Loom 0.2: Обновление для AI-агентов)AIKraft:https://aikraft.ru/news/amd-rocm-hrx-s-loom-0-2-expands-c-support-improved-targeting
- [2026-11-16](AMD ROCm HRX's Loom 0.2 Expands C++ Support, Improved Targeting)Phoronix:https://www.phoronix.com/news/HRX-Loom-0.2
- [2026-11-17](Acquiring Loom)ROCm 官方文档:https://rocm.github.io/hrx-system/loom/getting-started/acquiring-loom/
- [2026-10-15](Introducing FastFlow SDK)AMD Developer Resources:https://www.amd.com/en/developer/resources/technical-articles/2026/introducing-fastflow-sdk.html
【免责声明】
本文基于公开网络资料与官方文档整理,所涉版本特性、硬件兼容范围、接口命令与系统要求均以 AMD 官方公告、ROCm 文档及上游 GitHub 仓库的最新 release notes 为准;软件版本可能随后续迭代调整,本文不构成任何采购、硬件迁移或工程部署决策建议,实际部署前请结合目标硬件与官方说明完成验证。
本文来自作者[雾域同步]投稿,不代表新新网立场,如若转载,请注明出处:https://www.xxcmw.com/shuma/202611/3589.html
评论列表(4条)
我是新新网的签约作者“雾域同步”!
希望本篇文章《AMD ROCm HRX Loom 0.2正式发布完善GPU与NPU部署能力》能对你有所帮助!
本站[新新网]内容主要涵盖:互联网行业的追踪与探索
本文概览:AMD ROCm HRX Loom 0 2 正式发布:C++ 完整程序编写能力增强,GPU NPU Vulkan 打包部署进一步完善AMD 面向 AI 智能体工作流的编