Unsloth รองรับการ์ด AMD แล้ว — เทรน/รันโมเดลบน ROCm เร็วขึ้น 2 เท่า กิน VRAM น้อยลง 70%

หนึ่งในกำแพงที่ใหญ่ที่สุดของนักพัฒนาที่อยากเทรนหรือ fine-tune โมเดลในเครื่องเองคือ ทุกอย่างผูกกับ CUDA ของ NVIDIA ใครถือการ์ด AMD ก็แทบจะตกขบวน ล่าสุด Unsloth ไลบรารี fine-tuning ที่โด่งดังเรื่องความเร็วและประหยัดหน่วยความจำ ประกาศรองรับ GPU ของ AMD เต็มรูปแบบเป็นครั้งแรกใน release v0.1.501-beta (20 ก.ค. 2026) — “นำการเทรนและ inference ของ LLM ในเครื่องมาสู่การ์ด AMD ได้ทั้งบน Windows, WSL และ Linux”

นี่ไม่ใช่แค่ “พอรันได้” แบบขอไปที Unsloth เคลมตัวเลขที่จับต้องได้: เร็วขึ้นสูงสุด 2 เท่า ใช้ VRAM น้อยลง 70% และไม่เสียความแม่นยำ ครอบคลุมโมเดลกว่า 500 ตัว — ตัวเลขระดับเดียวกับที่ Unsloth เคยทำได้บนฝั่ง NVIDIA มาก่อน

รองรับการ์ด AMD ตั้งแต่ Ryzen ยันดาต้าเซ็นเตอร์

การรองรับครั้งนี้กว้างกว่าที่คิด ไม่ได้จำกัดแค่การ์ดตัวท็อป:

• Radeon — การ์ดเกมมิ่ง/เวิร์กสเตชันทั่วไป
• Instinct — การ์ดดาต้าเซ็นเตอร์ MI300X / MI325X สำหรับงานเทรนจริงจัง
• Ryzen — ชิป APU ในโน้ตบุ๊ก/เดสก์ท็อป (iGPU)
• การ์ดดาต้าเซ็นเตอร์ รุ่นอื่น ๆ

เบื้องหลังคือ Triton kernel เขียนเอง + ROCm build ที่ปรับแต่งเฉพาะ ทำให้ Unsloth ไม่ต้องพึ่ง CUDA เลย นักพัฒนาที่มีการ์ด AMD อยู่แล้ว (หรือองค์กรที่ซื้อ MI300X มาเพราะราคา/ความพร้อมของ supply) ไม่ต้องซื้อการ์ด NVIDIA เพิ่มเพื่อจะได้ fine-tune โมเดลของตัวเอง

ของครบสำหรับสาย local: offload, tensor parallel, export

นอกจากรองรับฮาร์ดแวร์ใหม่ release นี้ยังยกชุดเครื่องมือสาย local มาเต็ม:

• inference ทั้ง GGUF และ Safetensors — เทรนเสร็จรันต่อในเครื่องได้เลย
• จัดวาง GPU และกระจาย layer อัตโนมัติ — ไม่ต้องตั้ง device map เอง
• offload expert layer ของ MoE ไปไว้ที่ RAM ระบบ — จุดนี้สำคัญมากสำหรับโมเดล MoE ตัวใหญ่ที่ VRAM ไม่พอ ย้าย expert ที่ไม่ได้ใช้บ่อยไป RAM ทำให้รันโมเดลใหญ่กว่าขนาดการ์ดได้
• tensor parallelism ข้ามหลาย GPU — สเกลงานเทรนข้ามการ์ดหลายใบ
• export FP8/INT8 และ GGUF-LoRA — เอาโมเดลที่ fine-tune แล้วไป quantize/deploy ต่อได้ครบสาย

ติดตั้ง/อัปเดตผ่านสคริปต์เดียว: curl -fsSL https://unsloth.ai/install.sh | sh (macOS/Linux/WSL) หรือ irm https://unsloth.ai/install.ps1 | iex (Windows)

มุมมอง AI Curator

เรื่องนี้ใหญ่กว่าที่หัวข้อดูเผิน ๆ เพราะมันแตะ การผูกขาดของ CUDA โดยตรง — เหตุผลอันดับต้น ๆ ที่ NVIDIA ครองตลาด AI ไม่ใช่แค่ฮาร์ดแวร์ แต่คือ software moat ที่ทุกไลบรารี (PyTorch, Triton, เฟรมเวิร์ก fine-tuning) ถูกปรับจูนมาเพื่อ CUDA ก่อนเสมอ การที่เครื่องมือระดับ Unsloth ทำ ROCm ให้ได้ประสิทธิภาพ “เท่าฝั่ง NVIDIA” (ตามที่เคลม) เป็นก้าวที่ทำให้ AMD กลายเป็นตัวเลือกจริงสำหรับงาน fine-tuning ไม่ใช่แค่ inference

สำหรับบริบทไทย/อาเซียน ประเด็นสำคัญคือ ต้นทุนและการเข้าถึงฮาร์ดแวร์ การ์ด NVIDIA ระดับเทรนได้มักแพงและของขาดตลาด ส่วน AMD Instinct หลายรุ่นราคาต่อ VRAM ถูกกว่าและหาซื้อได้ง่ายกว่าในบางช่วง มหาวิทยาลัย สตาร์ตอัป หรือทีมวิจัยที่งบจำกัดได้ทางเลือกที่สองจริง ๆ ในการสร้างโมเดลของตัวเอง — โดยเฉพาะการ fine-tune โมเดล open-weight ภาษาไทย/อาเซียน (Typhoon, SEA-LION, OpenThaiGPT) บนฮาร์ดแวร์ที่หาได้

ข้อควรระวังตามสไตล์ release beta: นี่คือ v0.1.501-beta ยังไม่ใช่ stable ควรทดสอบ pipeline ของตัวเองก่อนพึ่งใน production และตัวเลข “2 เท่า / VRAM -70%” เป็นเคลมจากผู้พัฒนา ควรเบนช์มาร์กกับ workload จริงของคุณเองบนการ์ดที่มี เพราะประสิทธิภาพ ROCm ยังแปรผันตามรุ่นการ์ดและเวอร์ชัน driver พอสมควร

แหล่งข่าว

• Unsloth Releases — GitHub (v0.1.501-beta)
• Unsloth Documentation — Changelog
• Unsloth — เว็บไซต์ทางการ