AMD提出“智能體主機”概念，建議用戶配備兩臺電腦：一臺用於日常辦公生活，另一臺作爲本地AI算力中心，24小時運行AI智能體。這旨在應對開源AI框架普及帶來的端側算力需求，推動AI應用從雲端轉向本地，以降低長期成本並提升自主性。
AMD推出開源框架OpenClaw及配套硬件參考配置，旨在推動“Agent Computer”計劃，讓開發者能在本地PC運行大型語言模型和多智能體工作流，提升隱私安全並降低對雲端依賴。目前主要通過Windows平臺的WSL2運行，支持本地推理。
Meta正研發定製芯片，目標是獨立支撐未來AI模型訓練。儘管近期採購了英偉達和AMD的芯片，但Meta仍推進自研計劃，以降低對外部供應商的依賴。
Meta與谷歌達成數十億美元協議，租用谷歌自研TPU開發AI模型，挑戰英偉達在AI芯片市場的統治地位。此前Meta一直依賴英偉達GPU，近期還宣佈購買數百萬個英偉達和AMD的GPU。
Instella 是由 AMD 開發的高性能開源語言模型，專為加速開源語言模型的發展而設計。
Framework Desktop 是一款迷你型高性能桌面電腦，支持 AMD Ryzen™ AI Max 300 系列處理器，具備強大的 AI 和遊戲性能。
大規模深度循環語言模型的預訓練代碼，支持在4096個AMD GPU上運行。
AMD開源平臺，提升AI、ML和HPC工作負載性能
amd
Llama-3.1-8B-onnx-ryzenai-npu是由AMD基於Meta的Llama-3.1-8B模型開發的優化版本，專門針對AMD Ryzen AI NPU進行優化部署。該模型通過Quark量化、OGA模型構建器和NPU專用後處理技術，在保持高質量文本生成能力的同時，顯著提升了在AMD硬件上的推理效率。
本項目是基於AMD的量化工具對Qwen3-4B模型進行量化處理得到的文本生成模型，可用於聊天等場景。該模型使用AMD Quark量化工具進行準備，並進行了必要的後處理。
PARD是一種高性能的推測解碼方法，能夠以低成本將自迴歸草稿模型轉換為並行草稿模型，顯著提升大語言模型的推理速度，降低部署複雜度和適配成本。
FastFlowLM
這是基於Meta AI的LLaMA 3.1基礎模型的衍生模型，專門針對AMD Ryzen™ AI NPU上的FastFlowLM進行了優化，僅適用於XDNA2架構。模型保留了Meta發佈的核心架構和權重，可能針對特定應用進行了微調、量化或適配。
這是Meta AI發佈的LLaMA 3.2 1B Instruct模型的優化變體，專門針對AMD Ryzen™ AI NPU（XDNA2架構）上的FastFlowLM進行優化。模型保留了原始架構和權重，通過量化、底層調優等技術提升在NPU上的運行效率。
Motif-Technologies
Motif 2.6B是一個擁有26億參數的語言模型，在AMD Instinct™ MI250 GPU上從頭開始訓練，旨在構建符合人類價值觀、有用且可靠的AI。
Nitro-T 是一系列專注於高效訓練的文本到圖像擴散模型，在圖像生成基準測試中具有競爭力，訓練時間極短。
Instella-Long是由AMD開發的支持128K上下文長度的3B參數開源語言模型，在長上下文基準測試中表現優異。
PARD是一種高性能的推測解碼方法，能夠以低成本將自迴歸草稿模型轉換為並行草稿模型，顯著加速大語言模型推理。
tngtech
基於OLMo-2-0325-32B-Instruct模型，使用Open R1數學數據集在AMD MI300X GPU上微調，專注提升數學推理能力
Instella是AMD基於Instinct™ MI300X GPU從頭訓練的30億參數完全開源語言模型系列，性能超越同等規模的開源模型，並與Llama-3.2-3B、Gemma-2-2B等先進開放權重模型競爭。
AMD基於Instinct MI300X GPU訓練的30億參數全開放語言模型家族，性能超越同規模開放模型
Instella是由AMD開發的30億參數開源語言模型系列，基於AMD Instinct™ MI300X GPU訓練，性能超越同規模全開源模型。
stabilityai
AMD Ryzen™ AI優化版SDXL-Turbo，全球首個採用Block FP16格式的文本生成圖像模型，專為AMD XDNA™ 2 NPU設計
AMD Nitro Diffusion 是一系列高效的文本生成圖像模型，基於 AMD Instinct™ GPU 從主流擴散模型蒸餾而來。PixArt-Sigma Nitro 是基於 Transformer 的高分辨率單步推理模型。
基於AMD Instinct™ GPU從主流擴散模型蒸餾而成的高效文生圖模型系列
AMD-OLMo是由AMD在AMD Instinct™ MI250 GPU上從頭開始訓練的10億參數語言模型系列，包括預訓練模型、監督微調模型和基於直接偏好優化（DPO）的對齊模型。該系列模型基於OLMo架構，在Dolma數據集上進行預訓練，並在多個指令數據集上進行微調。
AMD-OLMo 是由 AMD 在 AMD Instinct™ MI250 GPU 上從頭開始訓練的一系列 10 億參數語言模型。
Phi-3.5-mini-instruct是微軟開發的高效小型語言模型，採用先進的量化技術優化，專為NPU部署設計。該模型在文本生成任務中表現出色，支持自然語言處理和代碼相關場景。
本項目基於Meta-Llama-3-8B模型，採用Quark量化技術，結合OGA模型構建器，並進行後處理以適配NPU部署，可用於文本生成任務。該模型專為AMD NPU硬件優化，支持高效的推理部署。
創建支持多架構（arm64和amd64）的Docker鏡像，用於部署MCP Everything服務器，支持SSE傳輸協議。
KognitiveKompanion是一個現代多功能的AI交互界面，支持KDE等多種桌面環境，集成OpenAI、Ollama及AMD Ryzen AI硬件加速等多種後端，提供高級UI、上下文功能和對話管理。
KognitiveKompanion是一個現代多功能的AI交互界面，支持KDE等桌面環境，提供與OpenAI、Ollama及AMD Ryzen AI硬件加速的無縫集成。
Onnx英語%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
