Unsloth ประกาศรองรับ GPU ของ AMD อย่างเป็นทางการ ผู้ใช้ Radeon กำลังก้าวจากการรัน Local LLM สู่การสร้างโมเดลบนเครื่องตัวเอง

Unsloth ประกาศรองรับ GPU ของ AMD ทั้งบน Windows, WSL และ Linux ครอบคลุมตั้งแต่การรันโมเดล การ Fine-tune ไปจนถึงการ Export เป็น GGUF นี่อาจเป็นอีกก้าวสำคัญที่ทำให้ Radeon กลายเป็นตัวเลือกสำหรับงาน Local AI มากกว่าที่เคย แต่คำว่า “รองรับ AMD” ยังมีรายละเอียดและข้อจำกัดที่ผู้ใช้ต้องเข้าใจก่อนเริ่มต้นใช้งานครับ

ช่วงที่ผ่านมา ผู้ใช้ที่รัน Local AI บนการ์ดจอ AMD แม้จะมีเครื่องมือให้เลือกใช้มากขึ้นเรื่อย ๆ ไม่ว่าจะเป็น LM Studio, llama.cpp, Ollama หรือซอฟต์แวร์ที่รองรับ Vulkan และ ROCm แต่ในทางปฏิบัติ งานส่วนใหญ่ยังคงกระจุกตัวอยู่ที่การดาวน์โหลดโมเดลมาเปิดใช้งานหรือสนทนาเท่านั้น

เมื่อขยับไปสู่การ Fine-tune โมเดล การเตรียมชุดข้อมูล หรือการสร้างโมเดลที่ปรับให้เหมาะกับงานของตัวเอง ความซับซ้อนจะเพิ่มขึ้นทันที โดยเฉพาะบน Windows ซึ่งระบบนิเวศสำหรับงาน AI บน GPU ของ AMD ยังมีข้อจำกัดมากกว่า NVIDIA อย่างเห็นได้ชัด

แต่สถานการณ์นี้อาจกำลังเปลี่ยนไป เมื่อ Unsloth ประกาศรองรับฮาร์ดแวร์ของ AMD อย่างเป็นทางการในรุ่น v0.1.50-beta เมื่อวันที่ 20 กรกฎาคม 2026 ที่ผ่านมานี้เอง โดยรองรับทั้งการเทรนและการรันโมเดลบน GPU ของ AMD โดยสามารถรันได้ทั้งบน Windows, WSL และ Linux พร้อมการปรับปรุงการตรวจจับ GPU และชุดติดตั้งที่ออกแบบมาสำหรับ ROCm โดยเฉพาะ

อย่างไรก็ตามนี่ไม่ได้หมายความว่าทุกปัญหาการรัน Local AI ของ AMD ถูกแก้ไขหมดแล้ว แต่ว่าก็ถือเป็นการเปิดโอกาสใหม่ ๆ ของผู้ใช้การ์ดจอ Radeon ที่น่าสนใจกว่าเดิมมาก เพราะผู้ใช้ Radeon ไม่ได้ต้องการทำแค่การรันโมเดลที่คนอื่นสร้างมาเท่านั้น การมาของ Unsloth ทำให้ผู้ใช้ Radeon เริ่มมีเครื่องมือสำหรับปรับแต่งและสร้างโมเดลที่เหมาะกับงานของตัวเองได้อย่างสะดวกขึ้น (ก็หวังว่าจะมีการอัปเดตกันอย่างต่อเนื่อง)

ทำความรู้จักกับ Unsloth

Unsloth เป็นเฟรมเวิร์กสำหรับรันและ Fine-tune โมเดลภาษาขนาดใหญ่ โดยเน้นลดการใช้หน่วยความจำและลดเวลาที่ใช้ในการเทรน โดยเฉพาะงานประเภท LoRA และ QLoRA ซึ่งไม่จำเป็นต้องปรับน้ำหนักทั้งหมดของโมเดล

แทนที่จะเทรนโมเดลใหม่ทั้งชุด LoRA จะเพิ่มชุดน้ำหนักขนาดเล็กเข้าไปแล้วฝึกเฉพาะส่วนที่เพิ่มขึ้นมา ทำให้ใช้ VRAM น้อยกว่า Full Fine-tuning และสามารถทดลองปรับโมเดลบนฮาร์ดแวร์ระดับผู้ใช้ทั่วไปได้ง่ายขึ้น

ปัจจุบัน Unsloth ยังมี Unsloth Studio ซึ่งเป็นอินเทอร์เฟซแบบ Web UI สำหรับรัน เทรน และ Export โมเดลภายในระบบเดียว ผู้ใช้สามารถเปิด GGUF หรือ Safetensors, เตรียม Dataset, ติดตามสถานะการเทรน และบันทึกโมเดลที่ได้ โดยไม่จำเป็นต้องเริ่มต้นจากการเขียน notebook เองทุกขั้นตอน

Unsloth Studio ยังอยู่ในสถานะ Beta แต่เป็นโครงการโอเพนซอร์สและรองรับ Windows, Linux และ macOS โดยทีมพัฒนาระบุว่าสามารถทำงานกับโมเดลมากกว่า 500 รุ่น รวมถึงโมเดลข้อความ ภาพ เสียง และ Embedding อีกด้วย

รองรับ AMD ครั้งนี้ครอบคลุมอะไรบ้าง

Unsloth ระบุว่า Unsoth Studio รองรับ GPU ของ AMD นั้นไม่ใช่แค่ Radeon อย่างเดียว แต่ยังครอบคลุมถึง Instinct, Ryzen และ GPU สำหรับศูนย์ข้อมูล โดยการใช้งานเหล่านี้ไม่ได้จำกัดเฉพาะรันโมเดลแบบแชทบอททั่วไปเท่านั้น โดยความสามารถหลัก ๆ ในการใช้งานก็จะประกอบไปด้วย

• การรันโมเดลและสนทนากับโมเดลบนเครื่อง
• Supervised Fine-tuning หรือ SFT
• รองรับ LoRA และ QLoRA (วิธี Fine-tune โมเดลโดยไม่ต้องปรับน้ำหนักทั้งหมดของโมเดล)
• รองรับ Reinforcement Learning หรือ RL
• การรันโมเดล GGUF และ Safetensors
• การ Export โมเดลหลัง Fine-tune
• การเลือก GPU และ Layer ที่ต้องการวางบน GPU แต่ละตัว
• การแบ่งโมเดลข้าม GPU หลายตัว
• การใช้งาน Tensor Parallelism
• การย้าย Expert Layer ของโมเดล MoE บางส่วนไปไว้ใน System RAM

Unsloth ยังระบุว่าการทำงานร่วมกับ AMD, ด้วยการปรับแต่ง Triton Kernel และอัลกอริทึมของ Unsloth สามารถทำให้การเทรนเร็วขึ้นสูงสุดสองเท่า พร้อมลดการใช้ VRAM ได้สูงสุดประมาณ 70% โดยไม่ลดความแม่นยำของโมเดล

อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นผลที่ผู้พัฒนาประกาศภายใต้ Workload การตั้งค่าฮาร์ดแวร์และซอฟต์แวร์ของตัวเอง ไม่ควรนำไปตีความว่า Radeon ทุกตัวจะเร็วขึ้นสองเท่าหรือใช้ VRAM ลดลง 70% ในทุกกรณี เพราะว่าประสิทธิภาพที่ได้จริงยังขึ้นอยู่กับหลายปัจจัย เช่น

• รุ่นของ GPU และสถาปัตยกรรม
• เวอร์ชันของ ROCm และ PyTorch (รวมถึงไดรเวอร์ของการ์ดจอด้วย)
• โมเดลและชนิดข้อมูลที่ใช้
• LoRA Rank
• Context Length
• Batch Size
• ระบบปฏิบัติการ
• Kernel ที่สามารถเรียกใช้ได้จริง

ในฐานะที่ผมเองก็มีการ์ดจอ Radeon อยู่สองสามรุ่น สิ่งที่มันสำคัญกว่าตัวเลขประสิทธิภาพที่ Unsloth ประกาศออกมาก็คือ ตอนนี้เรามีเครื่องมือที่ทำให้เวิร์คโฟลว์สามารถเชื่อมต่อกันได้ตั้งแต่การเตรียมข้อมูล การ Fine-tune การทดสอบ ไปจนถึงการ Export โมเดลออกมาใช้งาน ผมคิดว่านี่ต่างหากที่เป็นสิ่งที่ผู้ใช้ฮาร์ดแวร์ของ AMD ตั้งตารอ

จากการใช้โมเดลสำเร็จรูป สู่โมเดลที่ปรับจูนได้สำหรับงานของเราเอง

สำหรับผู้ใช้ทั่วไป การรัน Local LLM มักเริ่มต้นจากการดาวน์โหลดโมเดลในรูปแบบ GGUF มาเปิดด้วย LM Studio, Ollama หรือ llama.cpp จากนั้นจึงพิมพ์ Prompt และรอคำตอบ นี่คือวิธีที่ผู้ใช้งานส่วนใหญ่เริ่มต้นกัน

แต่พฤติกรรมของโมเดลยังถูกกำหนดมาจากข้อมูลและแนวทางการฝึกเดิม แม้เราสามารถควบคุมโมเดลได้โดยผ่าน System Prompt, Prompt Template, RAG หรือเครื่องมือภายนอก แต่โดยเนื้อแท้แล้วนี่เทียบไม่ได้กับการ Fine-tune เพื่อเปลี่ยนน้ำหนักของตัวโมเดลโดยตรง

การที่ Unsloth Studio มีเครื่องมือการ Fine-tune มันก็ช่วยให้ผู้ใช้ฮาร์ดแวร์ของ AMD สามารถยกระดับการใช้งานโมเดลต่าง ๆ ไปได้อีกขั้น ไม่ว่าจะเป็น

• ปรับรูปแบบการตอบให้เหมาะกับองค์กร
• ฝึกให้ตอบตามโครงสร้างข้อมูลที่ต้องการ
• ปรับน้ำเสียงและรูปแบบภาษา
• ฝึกจากตัวอย่างคำถามและคำตอบเฉพาะทาง
• สร้างโมเดลสำหรับงานจัดหมวดหมู่หรือดึงข้อมูล
• ปรับให้ทำตามคำสั่งในรูปแบบเฉพาะได้สม่ำเสมอขึ้น

Windows ใช้งานได้แล้ว แต่ยังไม่เทียบเท่า Linux

หนึ่งในประเด็นที่น่าสนใจที่สุดคือการรองรับ AMD บน Windows เพราะผู้ใช้ Radeon ส่วนใหญ่ไม่ได้มีเครื่อง Linux แยกสำหรับงาน AI

AMD มีคู่มือ Fine-tune โมเดลด้วย Unsloth บน Windows โดยตรง และระบุว่า Windows ต้องใช้ Python 3.13 พร้อม PyTorch Build สำหรับ ROCm ที่ตรงกับ GPU Architecture ของเครื่องนั่น ๆ ซึ่งมันก็มีความละเอียดอ่อนพอสมควร สำหรับคนใช้การ์ดจอ Radeon ร่วมกับ ROCm มาก่อนก็คงพอจะรู้ว่าการอัปเดตไดรเวอร์การ์ดจอใหม่ก็มีผลต่อการใช้งานร่วมกับ ROCm ค่อนข้างมาก ไม่ใช่ว่าฮาร์ดแวร์มันไม่ดี แต่มันเป็นปัญหาเรื่องความเข้ากันได้ทางซอฟต์แวร์มากกว่า

ซึ่งประเด็นจุกจิกเหล่านี้ผมคิดว่าคนใช้ Radeon ก็คงจะรู้กัน 🙂

vLLM ยังต้องใช้ Linux

AMD ระบุใน Playbook ว่า vLLM ยังไม่รองรับบน Windows หากต้องการนำโมเดลที่ Fine-tune แล้วมา Deploy บน Windows ควร Export เป็น GGUF เพื่อใช้กับ llama.cpp หรือย้ายโมเดลไปยังเครื่อง Linux ที่รัน vLLM

ดังนั้น คำว่ารองรับ Windows ในเวลานี้ควรเข้าใจว่า Windows สามารถใช้เป็นจุดเริ่มต้นสำหรับ Single-GPU Fine-tuning และการทดลองเวิร์คโฟลว์ได้ แต่ Linux ยังคงเหมาะกับงานที่ต้องการประสิทธิภาพสูง การเทรนหลาย GPU และ Deployment ด้วย Runtime ในระดับใช้งานจริงที่ต้องการความเสถียรมากกว่า

การ์ดจอ 16GB Fine-tune ได้ไหม

คำถามที่ผู้ใช้ Radeon น่าจะสนใจมากที่สุดคือ การ์ดที่มี VRAM 16GB เช่น Radeon RX 9070 XT, RX 9060 XT 16GB หรือ GPU รุ่นอื่นที่มีหน่วยความจำใกล้เคียงกัน จะใช้ Unsloth Fine-tune โมเดลได้มากน้อยเพียงใด

คำตอบคือ ทำได้ แต่ไม่ใช่ทุกโมเดล โดยยังคงถูกจำกัดอยู่ที่การตั้งค่าทั้งฮาร์ดแวร์และซอฟต์แวร์

ตัวอย่าง Gemma 4 E4B LoRA ที่ AMD ใช้ในตัวอย่างของ Playbook ต้องการ GPU Memory รวมอย่างน้อย 24GB และ System RAM 32GB สำหรับบน Windows ตัวเลข GPU Memory สามารถรวม VRAM ของการ์ดจอเข้ากับ Shared GPU Memory ที่ยืมมาจาก RAM ของระบบได้

นั่นหมายความว่าการ์ดจอที่มี VRAM 16GB อาจใช้ RAM ของระบบเข้ามาช่วยให้ตัวอย่างทำงานได้ หากเครื่องมี RAM เพียงพอ แต่แน่นอนว่าประสิทธิภาพก็จะลดลงด้วยเพราะว่าแบนด์วิดธ์ของ RAM DDR4/DDR5 มันไม่ได้สูงนักเมื่อเทียบกับ GDDR6 ที่อยู่บนการ์ดจอของ AMD

ที่สำคัญ ข้อกำหนด 24GB ดังกล่าวเป็นข้อกำหนดของ ตัวอย่าง Gemma 4 E4B และการตั้งค่าที่ AMD เลือกใช้ ไม่ใช่ข้อกำหนดขั้นต่ำของ Unsloth Studio ทุกงาน

อย่างไรก็ตามผู้ใช้การ์ดจอ VRAM 16GB ยังสามารถลดความต้องการหน่วยความจำได้หลายวิธี เช่น

• เลือกโมเดลขนาดเล็กลง
• ลด Context Length
• ลด Batch Size
• ใช้ Gradient Accumulation
• ลด LoRA Rank
• เลือก Layer ที่ต้องการ Fine-tune
• ใช้ Gradient Checkpointing
• ใช้ QLoRA เมื่อ Software Stack รองรับเหมาะสม

ดังนั้น การตอบว่าการ์ด 16GB สามารถ Fine-tune ได้หรือไม่ได้ ด้วยตัวเลขความจุของ VRAM เพียงอย่างเดียวจึงไม่พอ ต้องระบุทั้งโมเดล วิธีการเทรน Context Length และการตั้งค่าที่ใช้ด้วย

แต่ถ้ามองในมุมของการศึกษาการเรียนรู้ เรื่องความเร็วในการทำงานอาจจะเป็นประเด็นที่รองลงไป ผมคิดว่าการมีเครื่องมือที่ทำให้ใช้ประโยชน์จากฮาร์ดแวร์ที่มีอยู่ก็ถือเป็นเรื่องที่ดีมาก ๆ แล้ว

ไม่ใช่การ์ด AMD ทุกตัวจะได้รับการรองรับเท่ากัน

Unsloth ระบุว่ารองรับ Radeon, Ryzen และ Instinct แต่ผู้ใช้ยังต้องตรวจสอบว่า GPU ของตัวเองอยู่ในรายชื่อความเข้ากันได้ของ ROCm ด้วยหรือไม่ โดย ROCm 7.14.0 ได้ระบุชื่อ Radeon หลายรุ่นอย่างชัดเจนตามตารางด้านล่าง

RDNA 4	Radeon RX 9000 Series	gfx1200, gfx1201	Full	Windows + WSL + Linux
RDNA 3.5	Ryzen AI 300 / Ryzen AI MAX (Strix Halo)	gfx1150, gfx1151, gfx1152	Full	Windows + WSL + Linux
RDNA 3	Radeon RX 7000 Series	gfx1100, gfx1101, gfx1102	Full	Windows + WSL + Linux
RDNA 2	Radeon RX 6000 Series	gfx1030 only	Limited	Linux only
CDNA 4	Instinct MI350 Series GPUs	gfx950	Full	Linux only
CDNA 3	Instinct MI300 Series GPUs	gfx940, gfx941, gfx942	Full	Linux only
CDNA 2	Instinct MI200 Series GPUs	gfx90a	Full	Linux only

หากรายชื่อการ์ดจอของคุณไม่ได้อยู่ในตารางนี้ก็ไม่ได้หมายความว่าจะใช้งานไม่ได้ อย่างน้อย RX 6800 XT ของผมมันก็รัน ROCm บน Windows ได้ (กับ LM Studio นะ) แต่ว่ามันแปลกตรงที่ต้องใช้ไดรเวอร์เก่าแบบให้ Windows ตรวจจับอัตโนมัติเองถึงจะใช้งานได้ แต่ถ้าเผลอไปอัปเดตไดรเวอร์ก็จบกัน ตอนนี้ผมก็เลยย้ายมาใช้ RX 9700 XT ที่เป็น RDNA4 แทน ก็จบปัญหาพวกนี้ไป แต่ถ้ามีโอกาสก็จะลองนำ RX 6800 XT กลับมาใช้งานร่วมกับ Unsloth Studio ดูสักครั้ง

จุดเริ่มต้นที่สำคัญ และยังต้องทดสอบกันอีกยาว

ประกาศของ Unsloth ถือเป็นเพียงจุดเริ่มต้น ประสบการณ์ใช้งานจริงยังต้องพิสูจน์กับคำถามอีกหลายข้อ เช่น การติดตั้งบน Windows ง่ายจริง ๆ ใช่ไหม ส่วนกลุ่ม Linux คงไม่ต้องไปห่วงมากนักกลุ่มนี้สบายอยู่แล้ว และอาจจะชอบความท้าทายด้วยซ้ำ 

นอกจากนี้ก็ยังมีประเด็นเรื่องของประสิทธิภาพ เช่น RDNA 4, RDNA 3 และ RDNA 2 มีระดับการรองรับและ Kernel ที่แตกต่างกัน ผลจาก RX 9070 XT จึงไม่ควรนำไปแทนประสบการณ์ของ RX 7600 หรือ RX 6800 XT ได้โดยอัตโนมัติ

อีกประเด็นที่ต้องสนใจก็คือเรื่องของความเข้ากันได้ อย่างในกรณีที่เราปรับแต่งโมเดลแล้ว และส่งออกมาเป็นไฟล์ GGUF แล้ว สามารถนำมาเปิดกับ LM Studio, Ollama หรือ llama.cpp ได้ไหม และเมื่อรันได้แล้วก็ต้องตรวจสอบว่าพฤติกรรมของโมเดลเปลี่ยนไปตามเป้าหมายจริงหรือไม่

อ่านมาถึงตรงนี้หลายคนอาจจะรู้สึกว่าเป็น AMD ทำไมข้อจำกัดมันเยอะจังเลย ก็เป็นแบบนี้ละครับ ต้องทำใจ แต่อย่างน้อยนี่ก็ถือเป็นจุดเริ่มต้นที่ดีอย่างที่ได้กล่าวไปแล้ว

แม้ว่าตอนนี้ Unsloth ยังไม่ได้ทำให้ Radeon กลายเป็นคำตอบที่สมบูรณ์แบบสำหรับทุกงาน AI แต่การรองรับ GPU หลายรุ่นของ AMD ครั้งนี้ทำให้ผู้ที่มีการ์ดจอ Radeon อย่างผมมีความหวังในการนำการ์ดจอที่มีอยู่มาใช้งานทางด้าน AI ได้หลากหลายมากยิ่งขึ้นครับ

แหล่งข้อมูล: AMD, Ulsloth