ROCm 7.14 AI 生态兼容性矩阵全解：PyTorch / JAX / vLLM / SGLang 等框架与 AMD GPU 的版本选型指南
【免费下载链接】legacy-rocm-buildAMD ROCm™ Software - GitHub Home项目地址: https://gitcode.com/GitHub_Trending/ro/legacy-rocm-build
本篇技术指南围绕 ROCm 当前版本（7.14.0）官方仓库中的AI 生态兼容性矩阵（docs/compatibility/include/ai-ecosystem.rst）展开，完整解读 ROCm 为深度学习框架与推理引擎提供的版本支持范围：在什么操作系统、什么 AMD GPU（Instinct / Radeon / Ryzen）上，可以安装哪个版本的 PyTorch、JAX、vLLM、SGLang、MIGraphX 与 ONNX Runtime，以及配套的 Python 版本约束。读完本文，你将能够：对照自己的硬件（gfx 架构代号）与操作系统，在官方支持矩阵中快速定位可用的框架版本组合；理解矩阵中 OS / GPU / 家族条件筛选的底层机制；并结合仓库源码了解这些数据是如何被渲染、验证与维护的，避免在 AI 工作负载中因版本错配而踩坑。
什么是 ROCm 的 AI 生态兼容性矩阵
ROCm 是一个分层软件栈：底层是 GPU 运行时（HIP Runtime）、编译器和数学库组成的 ROCm Core SDK，上层则是面向 AI 用户的深度学习框架与推理引擎。为了保证"驱动 — 用户态组件 — 框架"三层版本对齐，ROCm 官方文档在 兼容性矩阵 中为每个版本维护一份 AI 生态支持表。
这份表（docs/compatibility/include/ai-ecosystem.rst）记录了 ROCm 7.14.0 发行版验证过的框架版本组合，包含三个维度：
- Framework：框架 / 推理引擎名称；
- Supported versions：该框架经验证的可用版本；
- Supported Python versions：与上述框架版本配套的 Python 版本。
需要强调的是，表中大多数条目带有show-cond条件，即支持范围并非对所有硬件和系统一视同仁——同一框架在不同 GPU 架构、不同操作系统上，支持版本可能不同。这也是本文档采用"条件矩阵"而非普通静态表格的原因。
框架与版本支持总览
综合docs/compatibility/include/ai-ecosystem.rst中 Linux（Ubuntu、Debian、RHEL、Oracle Linux、Rocky Linux、SLES）与 Windows / WSL 两条主线的数据，ROCm 7.14.0 的 AI 生态支持情况可归纳为下表：
| Framework | Supported versions | 适用平台与 GPU | Supported Python |
|---|---|---|---|
| PyTorch | 2.12.0、2.11.0、2.10.0 | Linux（Instinct：gfx950/gfx942/gfx90a/gfx908） | 3.14、3.13、3.12、3.11 |
| PyTorch | 2.12.0、2.11.0 | Linux（Radeon / Ryzen） | 3.14、3.13、3.12、3.11 |
| PyTorch | 2.12.0 | Windows / WSL | 3.14、3.13、3.12、3.11 |
| JAX | 0.10.0、0.9.1 | Linux（gfx950/gfx942/gfx1200/gfx1201/gfx1100/gfx1102/gfx1103） | 3.14、3.13、3.12、3.11 |
| vLLM | 0.23 | Linux（gfx950/gfx942/gfx1201/gfx1200/gfx1100/gfx1101/gfx1102/gfx1152/gfx1151/gfx1150） | 3.14（需 PyTorch 2.11.0） |
| SGLang | 0.5.13 | Linux（gfx950/gfx942/gfx1201/gfx1200/gfx1100/gfx1101/gfx1102） | 3.14（需 PyTorch 2.11.0） |
| MIGraphX | 2.16 | Linux（gfx950/gfx942） | 3.12 |
| ONNX Runtime | 1.23.2 | Linux（gfx950/gfx942） | 3.12 |
注：表中 gfx 编号为 AMD GPU 的架构代号（target ID），具体的硬件型号映射见下文"GPU 架构代号与硬件型号对照"一节。
按框架逐项解读
PyTorch：覆盖面最广，Linux 与 Windows 均受支持
PyTorch 是矩阵中唯一同时出现在 Linux 与 Windows/WSL 两条分支下的框架，其支持细节在docs/compatibility/include/ai-ecosystem.rst中被拆成了两行：
- Linux 分支（
os=ubuntu os=debian os=rhel os=oracle-linux os=rocky-linux os=sles）：- AMD Instinct 数据卡（gfx950、gfx942、gfx90a、gfx908）：支持 2.12.0、2.11.0、2.10.0 三个版本；
- AMD Radeon 显卡与 Ryzen APU（
fam=radeon fam=ryzen）：支持 2.12.0、2.11.0 两个版本；
- Windows / WSL 分支（
os=windows os=wsl）：仅支持 2.12.0 一个版本。
所有分支的 Python 支持范围一致：3.14、3.13、3.12、3.11。由此可以看出两点：其一，Instinct 专业卡获得的历史版本覆盖最完整（三个大版本）；其二，Windows/WSL 下的 PyTorch 版本步进相对保守，仅验证了最新版本。
JAX：覆盖 CDNA 与 RDNA 主流架构
JAX 的验证范围集中在 Linux 平台，支持的 GPU 架构为 gfx950、gfx942（CDNA 数据中心卡）以及 gfx1200、gfx1201、gfx1100、gfx1102、gfx1103（RDNA 消费级 / 工作站 / APU）。支持版本为0.10.0、0.9.1，Python 支持 3.14、3.13、3.12、3.11。对于在 AMD GPU 上运行 JAX 数值计算与端到端可微程序的用户，应确保安装的 JAX 与rocm运行时组件匹配这两组版本。
vLLM：LLM 推理的高性能选项
vLLM 在 ROCm 7.14.0 中支持版本0.23，平台为 Linux。其 GPU 覆盖范围较广：gfx950、gfx942（Instinct），gfx1201、gfx1200、gfx1100、gfx1101、gfx1102（Radeon），以及 gfx1152、gfx1151、gfx1150（Ryzen AI 系列 APU）。
vLLM 是矩阵中首个对 Python 版本提出"强约束"的条目：Python 3.14 需要配套 PyTorch 2.11.0。也就是说，在安装 vLLM 0.23 时，不能随意搭配 PyTorch 版本，而应保持Python 3.14 + PyTorch 2.11.0 + vLLM 0.23的组合。另外，根据该表的脚注，在部分 Radeon GPU 上 LLM 预热（warmup）时间可能显著变长，这是官方已知问题，使用 Radeon 跑 vLLM 时需要注意这一现象并预留预热时间。
SGLang：覆盖 Instinct 与 Radeon 推理场景
SGLang 支持版本0.5.13，平台为 Linux，GPU 覆盖 gfx950、gfx942、gfx1201、gfx1200、gfx1100、gfx1101、gfx1102（Instinct 与 Radeon，不含 Ryzen APU）。与 vLLM 相同，其 Python 3.14 条目同样标注"requires PyTorch 2.11.0"，说明在 ROCm 7.14.0 生态内，vLLM 与 SGLang 共享同一套 PyTorch 2.11.0 基线——这在实际部署中意味着：若同时使用多个推理框架，应统一锁定该 PyTorch 版本。
MIGraphX 与 ONNX Runtime：推理编译与跨框架执行
MIGraphX（AMD 的图优化推理引擎）支持2.16，ONNX Runtime 支持1.23.2，二者均仅限 Linux 平台，且 GPU 范围收紧到 Instinct 的gfx950、gfx942两类。它们的 Python 支持均为3.12——注意这与 PyTorch/JAX 的 Python 3.14/3.13/3.12/3.11 范围不同，是矩阵中对 Python 版本约束最窄的条目。这意味着：如果工作流中依赖 MIGraphX 或 ONNX Runtime 的 ROCm 后端，需要为它们单独准备 Python 3.12 环境，而不是直接复用 vLLM/PyTorch 的 3.14 环境。
GPU 架构代号（gfx 编号）与硬件型号对照
矩阵中的gfx编号是 AMD GPU 的架构代号，理解它们才能把"支持哪些架构"翻译成"支持哪些型号的显卡"。仓库中的 GPU 选择器 提供了完整的代号到型号映射，与 AI 生态矩阵直接相关的关键对应关系如下：
| gfx 代号 | 代表硬件 |
|---|---|
| gfx950 | AMD Instinct MI355X / MI350X / MI350P |
| gfx942 | AMD Instinct MI325X / MI300X / MI300A |
| gfx90a | AMD Instinct MI250X / MI250 / MI210 |
| gfx908 | AMD Instinct MI100 |
| gfx1201 | Radeon AI PRO R9700S / R9700 / R9600D、RX 9070 XT / 9070 GRE / 9070 |
| gfx1200 | Radeon RX 9060 XT LP / 9060 XT / 9060 |
| gfx1100 | Radeon PRO W7900 / W7900 Dual Slot、RX 7900 XTX / 7900 XT / 7900 GRE |
| gfx1101 | Radeon PRO W7700、RX 7800 XT / 7700 XT / 7700、PRO V710 |
| gfx1102 | Radeon RX 7600 |
| gfx1103 | Ryzen 9 270 / 7 260 / 7 250 / 5 系列 / 3 系列及 PRO 系列 |
| gfx1150 | Ryzen AI 9 HX PRO / AI 9 PRO / AI 9 系列 |
| gfx1151 | Ryzen AI Max+ PRO / Max PRO / AI Max+ / AI Max 系列 |
| gfx1152 | Ryzen AI 7 PRO 450、AI 5 PRO 440、AI 7 450 等 |
| gfx1030 | Radeon PRO W6800、PRO V620 |
实际选型时，可先通过rocminfo查看本机 GPU 的 gfx 代号，再与上述矩阵核对。如果 GPU 不在官方支持列表中，ROCm 文档还提供了社区路径：通过 TheRock 每晚构建获得社区启用的支持（参见 安装文档 中关于 TheRock 的说明）。
操作系统维度与安装方式
AI 生态矩阵的 Linux 分支覆盖六个发行版：Ubuntu、Debian、RHEL、Oracle Linux、Rocky Linux 与 SLES；Windows 分支则包含 Windows 与 WSL。这与 ROCm 安装方法 中的体系一致——不同发行版走不同的原生包管理器（Ubuntu/Debian 用apt，RHEL/Oracle/Rocky 用dnf，SLES 用zypper）。
对于以 Python 为中心的工作流，推荐使用 pip 方式在虚拟环境中安装 ROCm 组件。仓库中的 pip 包表 给出了与 AI 框架搭配的关键包选择：
rocm：Core SDK 基础包（运行时、HIP、编译器、工具与剖析 SDK），所有用户必需；rocm[libraries]：预编译的数学与机器学习主机库，PyTorch、JAX 等 ML 框架所必需；rocm[devel]：编译器、CMake 配置、头文件与静态库，用于开发构建；rocm[device-gfxXXXX]（如rocm[device-gfx950]、rocm[device-gfx942]等）：对应目标的预编译 GPU 内核，运行 GPU 负载必需，会随libraries一起安装；不确定时可使用rocm[device-all]覆盖全部目标；rocm[profiler]：rocprofiler-systems 与 rocprofiler-compute 等剖析工具，可选。
其中device-gfxXXXX系列恰好与 AI 生态矩阵中的 gfx 代号一一对应，也就是说：你在矩阵中查到"我的 gfx942 支持 PyTorch 2.12.0"，那么在 pip 安装侧就应当选中rocm[device-gfx942]这个 extra，二者共同保证"框架版本"与"GPU 内核"的匹配。
条件矩阵的底层渲染机制
这份 AI 生态表不是一份写死的 HTML 表格，而是一个由仓库自定义 Sphinx 指令驱动的条件矩阵。其实现位于 docs/extension/rocm_docs_custom/matrix/init.py：
.. matrix::、.. matrix-head::、.. matrix-row::、.. matrix-cell::四级指令分别渲染<table>、<thead>、<tr>、<th>/<td>；- 每个单元格与行可携带
:show-cond:选项（如gfx=gfx950 gfx=gfx942、os=ubuntu），该值会被工具函数 kv_to_data_attr 解析为形如data-show-cond='{"gfx": ["gfx950", "gfx942"]}'的 JSON 属性，写入渲染后的 HTML； - 前端脚本（见 selector 扩展）读取这些
data-show-cond条件，在用户切换操作系统 / GPU 型号 / 设备家族时动态显隐行与单元格。
这解释了为什么docs/compatibility/include/ai-ecosystem.rst中每个条目都带有成对出现的:show-cond:——同一份源码通过条件控制，在不同硬件环境下展示不同的支持版本集合。本文前述表格即为在"全部条件展开"视角下的完整视图；而在官方文档站点上，你会看到它随选择器实时过滤。类似的机制还被复用于 兼容性矩阵主页 的系统需求表、Core SDK 组件表以及虚拟化支持表。
如何用这份矩阵做版本选型
结合以上解读，给出基于本矩阵的实操选型步骤：
- 确定硬件：运行
rocminfo或rocm-smi，记录 GPU 名称与 gfx 架构代号（如gfx942）； - 确定系统：确认发行版（Ubuntu/Debian/RHEL/Oracle/Rocky/SLES/Windows/WSL）与 Python 环境；
- 查矩阵：对照 ai-ecosystem.rst，看你的 gfx 代号与 OS 组合下，目标框架允许哪些版本；注意 Instinct 与 Radeon/Ryzen 的版本集合可能不同；
- 核对联动约束：若使用 vLLM 0.23 或 SGLang 0.5.13，Python 必须为 3.14 且搭配 PyTorch 2.11.0；若使用 MIGraphX 2.16 / ONNX Runtime 1.23.2，则需 Python 3.12 环境（且仅限 gfx950/gfx942）；
- 安装配套组件：通过 pip 安装
rocm[libraries]与对应的rocm[device-gfxXXXX]（参考 pip-packages-table.rst），保持 GPU 内核与框架版本一致； - 版本核对：安装完成后可通过
rocm-smi --showproductname确认驱动栈可见，再以框架自带的版本自检命令（如python -c "import torch; print(torch.__version__)"）验证实际安装版本落在矩阵范围内。
结论
ROCm 7.14.0 的 AI 生态兼容性矩阵（ai-ecosystem.rst）为 PyTorch、JAX、vLLM、SGLang、MIGraphX 与 ONNX Runtime 六类框架/引擎划定了清晰的"硬件 × 系统 × Python"支持边界：PyTorch 覆盖面最广（含 Windows/WSL），vLLM 与 SGLang 共享 PyTorch 2.11.0 基线并约束 Python 3.14，MIGraphX 与 ONNX Runtime 则聚焦 Instinct 的 gfx950/gfx942 且要求 Python 3.12。矩阵背后的条件渲染机制（matrix 扩展）保证了这些约束在文档站点上随硬件选择器动态生效。规划 AMD GPU 上的深度学习训练与推理部署时，请以本矩阵为准绳进行版本对齐，这是获得预期 GPU 运行表现的前提。
【免费下载链接】legacy-rocm-buildAMD ROCm™ Software - GitHub Home项目地址: https://gitcode.com/GitHub_Trending/ro/legacy-rocm-build
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
