AMD联合魔搭推免费48GB显存云GPU,ComfyUI开箱即用无需安装

AMD与魔搭社区联合推出AI开发者激励计划,用户可通过领取开发者积分兑换20小时免费Radeon Cloud实例,配备48GB显存的ROCm环境已预装ComfyUI,省去克隆、依赖安装与模型下载步骤,...

人工智能 阅读量: 3942

近期,一项由AMD与中国魔搭(ModelScope)社区联合发起的AI开发者激励活动引发关注:用户可免费获取单次最长20小时、显存达48GB的云GPU算力资源,且开机即见预装完成的ComfyUI工作流环境。这一配置远超多数免费云平台提供的24GB显存NVIDIA实例,对轻量级本地部署困难的创作者构成实质性支持。

该活动并非传统意义上的“一键开通”,其流程涉及三方平台协同——魔搭社区作为活动入口与联合发起方,AMD中国开发者站负责发放“开发者积分”,而真正执行计算任务的是AMD自有的Radeon Cloud云平台。用户需先在魔搭社区点击横幅进入活动页,完成手机号与邮箱验证后,前往AMD开发者站完善资料以获取初始积分;随后将积分兑换为算力券码,再粘贴至Radeon Cloud完成充值,最终按1分/小时的比例兑换使用时长并启动实例。

值得注意的是,活动所赠的48GB显存实例运行于ROCm(Radeon Open Compute)生态,而非CUDA环境。这意味着它面向的是AMD Radeon GPU架构优化的推理框架,与魔搭自身提供的24GB显存NVIDIA CUDA实例在技术栈上互不兼容。图1清晰展示了两者差异:上方为CPU环境(8核32GB,长期有效),下方为GPU环境(8核32GB+24G显存,36小时额度),而AMD活动对应的48GB卡并未列在此界面中,需跳转至Radeon Cloud单独操作。

用户实测确认,成功启动实例后,系统已在挂载路径/comfyui_workspace/ComfyUI下完整部署了ComfyUI主程序及基础依赖,无需执行git clone、pip install或手动下载模型文件。这大幅降低了使用门槛——尤其对不熟悉Linux环境与Python包管理的新手而言,避免了因镜像源配置错误、PyTorch版本冲突等常见问题导致的安装失败。一位参与者曾耗时数小时排查pip报错,最终发现只需直接运行python main.py即可启动服务,并通过rc-tunnel工具获取公网访问地址,在浏览器中打开可视化界面。

然而,流程中的“20小时兑换”环节易引发误解。实际上,每个账号每日最多仅可兑换20个开发者积分(对应20小时),即便账户显示拥有150分,也需分7–8日逐步兑换。更关键的是三类“余额”的有效期各不相同:未兑换的开发者积分永久有效;兑换生成的算力券自领取日起30天内有效;而充入Radeon Cloud后的积分则自到账起90天内有效。若用户一次性将全部积分兑为券并充值,90天倒计时将统一启动,无论是否实际使用——这可能导致部分额度浪费。合理策略应是按需兑换:临近使用前再提取当日20分,确保时效性最大化。

另一处易混淆点在于券码长度。有用户尝试让AI工具自动复制兑换码,结果仅截取前512字符(官方完整码长达684字符),导致充值失败。AMD官方提示明确建议手动点击“复制”按钮获取完整字符串,避免自动化工具截断风险。

从技术路线看,此次合作凸显AMD推动ROCm生态落地的决心。长期以来,开源AI工作流如ComfyUI高度依赖NVIDIA CUDA生态,AMD显卡用户常面临兼容性障碍。通过提供预配置的ROCm环境并集成主流工具链,AMD试图降低迁移成本,吸引开发者在非NVIDIA硬件上构建工作流。尽管当前免费额度有限(单次20小时),但结合其48GB显存优势,在处理高分辨率图像生成、大型LoRA微调等场景时仍具实用价值。

文章配图

此外,魔搭自身亦提供独立的免费GPU资源,规格为8核32GB内存+24GB显存,基于Ubuntu 22.04 + CUDA 13.0 + PyTorch 2.13镜像,适用于习惯NVIDIA生态的用户。两类资源并行存在,但计费逻辑与技术栈分离,用户需根据项目需求选择平台,不可混用。

Radeon Cloud工作区持久化设置界面

在存储策略上,Radeon Cloud支持将/workspace目录设为持久化路径,所有数据将在实例停止后保留,供后续复用。图2所示即为该配置界面,明确标注“/workspace下的全部数据会保留并供后续实例复用;/workspace之外的数据不会保存”。这一设计对需要反复迭代提示词、节点配置或小型模型微调的用户尤为友好,避免每次重启都需重新准备环境。

目前,该活动尚未公布截止时间,但依据AMD AI开发者计划条款,积分兑换与资源发放均遵循上述规则。对于预算有限、希望快速验证ComfyUI工作流或测试AMD GPU推理性能的个人开发者与学生群体,此方案提供了难得的零成本试用机会。

需要指出的是,免费资源仅覆盖基础运行时长,生成高质量图像仍依赖用户自行加载模型(如Checkpoint、VAE、Lora等),而大模型文件通常需数GB至数十GB,下载与加载速度受网络与实例I/O性能制约。此外,Radeon Cloud暂未开放图形化Jupyter Notebook界面,主要依赖SSH终端与rc-tunnel进行交互,对纯小白用户仍有学习曲线。

总体而言,AMD与魔搭的此次合作并非简单赠卡,而是通过平台协同与环境预置,实质性缩短了AI创作工具链的部署路径。在算力普惠趋势下,此类“开箱即用”的云服务模式或将推动更多非NVIDIA硬件进入创意生产环节,也为国产AI基础设施生态提供了一种可行的共建路径。