# AMD BC-250 отримала оптимізований стек ROCm для тренування моделей на gfx1013

> Новий інструментарій додає підтримку PyTorch та ROCm із налаштованими GEMM-ядрами для плати AMD BC-250.

- Published: 2026-11-04T00:36:57Z
- Score: 7/10
- Tags: bc250, ai
- Port / platforms: - -> Linux / Steam Deck (Tool)
- Web page: https://emu-radar.customfw.xyz/uk/news/bc250-rocm-training/
- Sources: https://github.com/bilawalriaz/bc250-rocm-training/commit/ac0ae448634b51162cb3e70ab3453d8c0ce4bd4a

Плата AMD BC-250 - колишній майнінговий пристрій із урізаним чипом PlayStation 5 на архітектурі Cyan Skillfish (gfx1013) - тепер швидше тренує мовні моделі локально. Розробник випустив набір bc250-rocm-training, який додає підтримку ROCm та PyTorch під Linux.

ROCm не має GEMM-ядер для gfx1013, тож rocBLAS використовує універсальні запасні ядра, які гальмують тренування. Патч драйвера amdgpu вмикає всі 40 обчислювальних блоків і виправляє проблеми з відображенням пам'яті GPU, що заважають ROCm працювати на цій платі. Набір також додає Tensile GEMM-ядра, налаштовані під навчальні розміри для gfx1013. Патч драйвера зроблено під ядро 7.3.1-1-cachyos, для інших ядер його треба спершу переносити.

Заміри показують, що налаштовані ядра більш ніж удвічі прискорюють MiniCPM5-2B: з 193 до 419 токенів за секунду при пакеті 256x8. SmolLM2-135M при повному донастроюванні у FP32 зростає з 3345 до 5685 токенів за секунду.

Як спробувати:
1. Встановіть CachyOS з ядром `7.3.1-1-cachyos` та ROCm 7.2.4.
2. Склонуйте репозиторій і запустіть скрипт підготовки середовища.
3. Зберіть пропатчений модуль ядра, скомпілюйте rocBLAS і PyTorch з вихідного коду та встановіть оптимізовані GEMM-ядра. Збірка PyTorch триває кілька годин і потребує 16 ГіБ swap-пам'яті.
