# Entfessle die Power von AMD: Offizieller Support für Unsloth ist da!

<div data-with-frame="true"><figure><img src="/files/d0e36a78c5299744206400f5aabf0982b385e754" alt=""><figcaption></figcaption></figure></div>

## 1. Einführung in Unsloth

Unsloth ist eine Bibliothek zum Fine-Tuning von LLMs, aufgebaut auf benutzerdefinierten Triton-Kernels und optimiertem PyTorch. Sie macht High-Performance-Fine-Tuning ohne High-End-Hardware zugänglich, und dazu gehören jetzt auch AMD-GPUs.

## 2. Unsloth auf AMD installieren

Der Einstieg mit Unsloth auf Ihrer AMD-Hardware ist unkompliziert. Wir empfehlen eine moderne Linux-Distribution für die beste Erfahrung.

Der einfachste Installationsweg ist der Ein-Zeilen-Installer, der Unsloth Studio einrichtet, eine vollständige grafische Oberfläche zum Verwalten von Fine-Tuning-Läufen, zum Ausführen von Inferenz, zum Erstellen von Datensätzen mit Rezepten und zum Vergleichen von Modellen, sowie alle erforderlichen Abhängigkeiten einschließlich ROCm-optimierter Kernels:

```
curl -fsSL https://unsloth.ai/install.sh | sh
```

Dadurch wird Ihre AMD-GPU automatisch erkannt, die richtigen ROCm-kompatiblen PyTorch-Wheels werden installiert, und die Studio-Oberfläche wird gestartet, sodass Sie sofort loslegen können.

### 2.1 Installation über pip (nur Python-Bibliothek)

Wenn Sie Unsloth lieber nur als Python-Bibliothek ohne die Studio-Oberfläche verwenden möchten, können Sie es direkt mit pip installieren:

```
pip install unsloth[amd]
```

Hinweis: Dadurch wird PyTorch nicht installiert; Sie müssen zuerst separat ein ROCm-kompatibles PyTorch installieren. Siehe die [Unsloth AMD-Dokumentation](https://unsloth.ai/docs/get-started/install/amd) für die vollständige Einrichtung.

## 3. Unsloth Studio auf AMD verwenden

Nach der Installation startet Unsloth Studio automatisch in Ihrem Browser, ganz ohne Cloud und ohne NVIDIA-Hardware. Unten finden Sie einen kurzen Workflow für den Einstieg auf AMD; sehen Sie sich die [offizielle Unsloth Studio-Dokumentation](https://unsloth.ai/docs/new/studio/start) für die vollständige Anleitung an.

Nach dem Ausführen des Installers wird Ihre AMD-GPU über die ROCm™-Software erkannt und die Benutzeroberfläche ist sofort einsatzbereit. Wählen Sie Ihr Modell, Ihren Datensatz und die Parameter aus und klicken Sie dann auf Training starten.

<div data-with-frame="true"><figure><img src="/files/36aa11293cd71068ccc07a036798cfe8c037392d" alt=""><figcaption></figcaption></figure></div>

*Die Fine-Tuning-Konfigurationsoberfläche von Unsloth Studio, vollständig anpassbar, damit das Training Ihres Modells genau so abläuft, wie Sie es wünschen.*

<div data-with-frame="true"><figure><img src="/files/d71493b4b3ed6200499be1ce40310c7a77ff0966" alt=""><figcaption></figcaption></figure></div>

*Unsloth Studio startet auf AMD-Hardware; das Terminal bestätigt die ROCm-Erkennung, während die Oberfläche Ihr erstes Modell lädt.*

Das Studio verfolgt alles in Echtzeit: Trainingsfortschritt, Loss, VRAM-Auslastung und GPU-Temperatur, sodass Sie immer genau wissen, was Ihre Hardware gerade macht.

<div data-with-frame="true"><figure><img src="/files/a3be8fdee4fc2da19c0c94452a639176c136b5bd" alt=""><figcaption></figcaption></figure></div>

*Ein laufender Fine-Tuning-Job auf AMD, Unsloth Studio verfolgt den Fortschritt in Echtzeit.*

Sobald das Training abgeschlossen ist, exportieren Sie nach GGUF, Safetensors oder LoRA für den Einsatz überall, einschließlich Hugging Face, llama.cpp, Ollama, vLLM und mehr. Sie können diese Funktion auch verwenden, um vorhandene HF-Modelle in Ihr bevorzugtes Format zu konvertieren.<br>

<div data-with-frame="true"><figure><img src="/files/196448d85386ec685a91c1d48f9605ddf929d421" alt=""><figcaption></figcaption></figure></div>

*Exportieren Sie Ihr Modell in das gewünschte Format und stellen Sie es überall bereit.*

<figure><img src="/files/2fbbbd1c4ef19889389b07ddbc941fe07f6e51e4" alt=""><figcaption></figcaption></figure>

*Chatten Sie direkt im Studio-Playground mit Ihrem neu feinabgestimmten Modell.*

Das ist der vollständige AMD-Workflow. Um zu prüfen, ob Ihre GPU unterstützt wird, sehen Sie sich die Hardware-Tabelle unten an.

## 4. Unterstützte AMD-Hardware

Die erste Veröffentlichung der offiziellen AMD-Unterstützung von Unsloth zielt auf die beliebtesten und leistungsstärksten Karten ab. Die folgende Tabelle zeigt die derzeit unterstützte AMD-Hardware:

| Architektur | Serie                                                                | gfx-Code                  | Status                  |
| ----------- | -------------------------------------------------------------------- | ------------------------- | ----------------------- |
| RDNA 4      | Radeon™ RX 9000 Series Grafikkarten (Desktop)                        | gfx1200, gfx1201          | Vollständig unterstützt |
| RDNA 3.5    | Ryzen AI 300 Series (Strix Point) / Ryzen AI MAX Series (Strix Halo) | gfx1150, gfx1151, gfx1152 | Vollständig unterstützt |
| RDNA 3      | Radeon™ RX 7000 Series Grafikkarten (Desktop)                        | gfx1100, gfx1101, gfx1102 | Vollständig unterstützt |
| RDNA 2      | Radeon™ RX 6000 Series                                               | gfx1030–gfx1036           | Vollständig unterstützt |
| CDNA 4      | Instinct™ MI350 Series GPUs (Rechenzentrum)                          | gfx950                    | Vollständig unterstützt |
| CDNA 3      | Instinct™ MI300 Series GPUs (Rechenzentrum)                          | gfx940, gfx941, gfx942    | Vollständig unterstützt |
| CDNA 2      | Instinct™ MI200 Series GPUs                                          | gfx90a                    | Unterstützt             |
| CDNA 1      | Instinct™ MI100 GPUs                                                 | gfx906, gfx908            | Nicht unterstützt       |

*Vollständig unterstützt - hardware-spezifisches Kernel-Tuning ist aktiv (optimale Leistung).*&#x20;

*Unterstützt - läuft über den allgemeinen HIP/ROCm-Pfad; funktional, aber ohne architekturspezifische Optimierungen.*

### 4.1 CI/CD für AMD

Wir haben nicht nur AMD-Unterstützung ausgeliefert, wir haben 95 automatisierte Tests erstellt, um sicherzustellen, dass sie weiterhin funktioniert ([PR #4824](https://github.com/unslothai/unsloth/pull/4824)). Die Suite deckt den gesamten ROCm-Stack ab und läuft vollständig in CI ohne physische AMD-Hardware, sodass jeder PR vor dem Versand validiert wird.

Es hat sich bereits bewährt: [PR #4940](https://github.com/unslothai/unsloth/pull/4940) behob einen Fehler bei der Extraktion des GPU-Ziels, bei dem rocminfo sowohl ein generisches Family-Target (z. B. gfx9) als auch das spezifische Architektur-Target (z. B. gfx90a) für dieselbe GPU ausgibt. Der alte Code übergab beide an GPU\_TARGETS, was den HIP-Build brach. Der Fix entfernt Duplikate, sodass nur das spezifische Ziel beibehalten wird und alle generischen Präfixe verworfen werden; vor dem Mergen auf echter MI300X-Hardware verifiziert.

5\. Wie die AMD-Unterstützung aufgebaut wurde

Unsloths benutzerdefinierte Triton-Kernels wurden mit enger Zusammenarbeit mit dem ROCm-Team auf AMD portiert, was eine Überarbeitung des Installers, der Hardwareerkennung und der Laufzeitumgebung erforderte. Siehe [PR #4720](https://github.com/unslothai/unsloth/pull/4720) für vollständige Details. Wichtige Änderungen umfassen:

* HIPifizierung: Kernels wurden mit Profiling und Speicheroptimierung für AMD-Hardware auf HIP/ROCm portiert.
* Mehrpfad-ROCm-Erkennung: Erkennt AMD-GPUs über Fallbacks (rocminfo, amd-smi, hipconfig usw.) auf Bare-Metal-Systemen, in Containern und in paketverwalteten Setups.
* HIP-native Ausführung: Kernels werden über HIP mittels Tritons Laufzeitprüfung is\_hip() geleitet, wobei die NVIDIA-Priorität auf gemischten Systemen erhalten bleibt.
* AMD-Monitoring: Neues Modul amd.py für Hardwareüberwachung und VRAM-Analyse.
* Radeon-Wheels ([PR #4770](https://github.com/unslothai/unsloth/pull/4770)): Installiert automatisch ROCm-kompatible PyTorch-Wheels, die an die erkannte ROCm-Version angepasst sind.
* llama.cpp für ROCm: Vorgefertigte ROCm-Binärdateien werden AMD-Hosts bereitgestellt, mit Quellkompilierung als Fallback.

### 5.1. Zukunftsfahrplan?

Unser Engagement für die AMD-x-Unsloth-Community endet hier nicht. Zu den wichtigsten Punkten auf der Roadmap gehören:

* Robusteres CI/CD: AMD-Hardware zu CI/CD hinzugefügt.
* Unterstützung des GPU-Auslastungsmonitors für AMD beheben: Fix folgt in Kürze.

## 6. Unsloth auf AMD Developer Cloud ausprobieren

Der einfachste Weg, Unsloth heute auf AMD auszuprobieren, ist über AMDs Developer Cloud, ganz ohne Einrichtung. Sie bietet Notebook-Zugriff per Klick, angetrieben von MI300X-GPUs mit 192 GB VRAM, und gibt Ihnen sofortigen Zugriff auf einige der leistungsstärksten verfügbaren KI-Hardware-Systeme.

AMD bietet 100 $ an kostenlosen Guthaben über das [AMD AI Developer Program](https://www.amd.com/en/developer/ai-dev-program.html), das Ausführen jedes vorhandenen Unsloth-Notebooks auf AMD ist so einfach wie das Austauschen der Domain in der GitHub-URL:

<table data-header-hidden><thead><tr><th width="170"></th><th></th></tr></thead><tbody><tr><td><br></td><td>URL</td></tr><tr><td>GitHub-URL</td><td><a href="https://github.com/unslothai/notebooks/blob/main/nb/AMD-gpt_oss_(20B)_Reinforcement_Learning_2048_Game_BF16.ipynb">https://github.com/unslothai/notebooks/blob/main/nb/AMD-gpt_oss_(20B)_Reinforcement_Learning_2048_Game_BF16.ipynb</a></td></tr><tr><td>AMD Dev Cloud</td><td><a href="https://amd-ai-academy.com/github/unslothai/notebooks/blob/main/nb/AMD-Gemma4_(E2B)_Reinforcement_Learning_Sudoku_Game.ipynb">https://amd-ai-academy.com/github/unslothai/notebooks/blob/main/nb/AMD-Gemma4_(E2B)_Reinforcement_Learning_Sudoku_Game.ipynb</a> </td></tr></tbody></table>

Fragen oder Probleme? Finden Sie uns auf [Discord](https://discord.com/invite/unsloth), sehen Sie sich die [Dokumentation](https://unsloth.ai/docs/get-started/install/amd)an oder melden Sie einen Fehler auf [GitHub](https://github.com/unslothai/unsloth/issues). Wir würden gerne hören, wie Unsloth auf Ihrer AMD-Hardware läuft, und Ihnen helfen, eventuelle Probleme zu beheben.


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://unsloth.ai/docs/de/blog/entfessle-die-power-von-amd-offizieller-support-fur-unsloth-ist-da.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.