这周A卡圈连发两条视频，说的都是同一件事：炼丹。
一条是晓子ya今天发的「AI-Toolkit + AMD显卡｜ROCm 实测训练 LoRA」，另一条是机智罗的ROCm-OneTrainer炼丹炉部署教程——后者评论区里，两百多条留言有人在报「整合包版本+显卡型号」，有人直接喊出「AMD，yes！凭一人之力，支撑B站AMD区」。哔哩哔哩哔哩哔哩
推理那边，A卡早就卷完了：Qwen3.8-27B、一键整合包、tok/s对比，答案摆在那里。但「A卡能不能训练」，还处在「有人说能、有人说不行、更多人没听说过」的阶段。今天把这事一次说清：能不能训、选哪个炉子、要多少显存、哪些卡别硬上。
先回答问得最多的：A卡到底能不能训练
能。而且门槛比大多数人想象的低。
关键是一个技术事实：ROCm版PyTorch复用的是torch.cuda这套接口。知乎也就是说，代码层面A卡和N卡几乎没有区别，网上那些N卡LoRA教程，换掉安装源就能直接跟着做。知乎上AMD算力极客社把这个逻辑梳理得很清楚：推理、服务、微调是三件独立的事，先定模型多大、精度多少、batch开多少，再去看硬件。
但边界也很硬。综合各视频评论区的真实反馈，现在的支持情况大致是这样：
RDNA3（7900XTX / 7900XT / 7800XT等）：最成熟的一批。OneTrainer报到处里清一色这些卡，出图炼丹都有人跑通；
RDNA4（9070XT / 9070）：开始有实测了。有人拿9070XT跑AnimaLora训练器。哔哩哔哩Z-image训练器也明确写了支持9000系；
RDNA2（6000系）：官方路线走不通，靠第三方工具自己适配。Z-image训练器标称「支持6000/7000/9000系」，这是工具自己的本事，不是ROCm的官方承诺；
RX 5700这一代（RDNA1）：基本放弃。有用户在评论区问「以前用ZLUDA，ROCm支不支持老卡」，得到的回复只有四个字：基本不支持。曾经让老卡在Windows上干活的ZLUDA，也已经退出当下的选择。
所以第一个结论：想在A卡上炼丹，7000系及以上是基本前提。老卡别硬上，热情耗在不支持的环境里不值当。
炉子盘点：你想炼什么丹，决定进哪个炉
现在A卡的炼丹炉其实分两个阵营，看你炼的是什么。
出图、出视频方向：
OneTrainer（机智罗的ROCm整合包）：Windows上目前最热闹的A卡炼丹炉，V4整合包解压即用，评论区已经在等2.0。优点是把环境配置降到接近零，缺点是装包要拉大量海外依赖，网络代理没配对直接报错。评论区有人给出过逐行设置全局代理、删掉src重装的手工解法。哔哩哔哩
kohya_ss（晓子ya适配版）：训SDXL、Flux.1 LoRA的老牌工具，N卡用户无缝切换；
Z-image训练器：亮点是6000/7000/9000系通吃。哔哩哔哩对6000系用户是目前少数有明确说法的选择；
AnimaLora：Windows-ROCm独立训练器，偏动漫风格LoRA。
大模型微调方向：
AI-Toolkit：晓子ya今天刚发了ROCm实测，面向Flux和视频模型的LoRA训练；
Unsloth：AMD算力极客社8月中旬给过一篇完整教程，notebook可以照抄。<#&!53#&!>哔哩哔哩
PyTorch + LLaMA-Factory或自写脚本：ROCm安装已经跑通的人，换个pip源，N卡教程直接复用。
给个直接的建议：目标是出图LoRA、又不想碰Linux的Windows用户，从OneTrainer整合包这条线入手，社区踩坑记录最全，出了问题最好查；目标是大模型微调的，老老实实上Linux，ROCm 7.14加PyTorch这条线现在是通的。
显存生死线：能跑27B推理，为什么一进炉就爆
这是炼丹圈最常见的误判：以为能推理的显存就能训练。
真不是。推理时显存里放的是模型权重、KV Cache，加一点临时空间；训练时，权重之外还要放梯度、优化器状态（Adam的两份动量）、反向传播留下的激活。AMD算力极客社拿8B参数模型算过一笔账。知乎
QLoRA：约12GB
LoRA：约28GB
全参数微调：约85GB
注意，QLoRA只是把要训练的参数降下来，那个4-bit压缩后的底座，依然整份躺在显存里。
代入A卡的显存档位：
24GB（7900XTX）：A卡炼丹的甜点位。SDXL LoRA没压力，Flux LoRA有AI-Toolkit这条实测线在，8B级大模型走QLoRA也进得去；标准LoRA会紧张，得减batch或做offload；
20GB（7900XT）：比上不足比下有余，出图LoRA从容，8B级QLoRA可行；
16GB（7800XT、7900GRE、9070XT等）：出图LoRA可以干，大模型微调基本只剩QLoRA一条路；
12GB及以下：建议安心推理，别为难自己。
今年涨价潮把二手7900XTX顶到了4600上下。哔哩哔哩如果你是为了炼丹买卡，「24GB显存」这条线的价值反而更清楚了——但先算显存账，再谈买哪张，顺序别反。
炼丹专属的坑：推理时一个都碰不上
从社区实测帖里捞了四个最常栽的：
PyTorch无视HIP_VISIBLE_DEVICES。想把GPU0留给推理、训练绑GPU1，设了环境变量却OOM——llama.cpp系认这个变量，PyTorch ROCm某些情况下直接无视，进程看到的是全部物理卡。知乎多卡环境一律用物理卡号，别用过滤后的编号；
GPU序号是0，不是1。整合包里验证显卡时，本地主卡正常是序号0，选错直接报错或者跑到核显上，评论区已经有人提前踩过；
装包卡在网络。ROCm-OneTrainer的依赖要从海外拉，不开全局代理就中途失败。已验证的解法：cmd里手动设置HTTP_PROXY、HTTPS_PROXY、ALL_PROXY，删掉src文件夹和ROCm-OneTrainer目录，进炼丹器重装；
注意力算子偏弱。7900XTX用户原话：「A卡感觉就是注意力经常不集中」，他试了一圈工作流，只有LTX能持续满血运行。哔哩哔哩机智罗给的方向是sage attention加速。这是生态短板，不是你的设置问题，碰到别先怪自己。
谁该进炉，谁再等等
盘下来，我的判断是三拨人三条路：
已有7900XTX/7800XT、推理跑通、想炼出图LoRA的：直接上。Windows走OneTrainer整合包，Linux走kohya或AI-Toolkit，社区记录够你抄作业；
想微调大模型、但还没买A卡的：别急着掏钱。AMD开发者计划现在有云算力可以白嫖，GitHub上的AMD_YES_Cloud仓库就是白嫖教程。GitHub先验证你的工作流在ROCm上到底跑不跑得通，再决定为硬件付费。这是这次盘点里最容易被忽略、也最省钱的一条路；
想做全参数微调、多卡分布式，或者手里是RDNA1老卡的：劝退。现阶段就是不行，这不是看两篇教程能克服的边界。
往后值得盯的信号：ROCm.ai带起来的官方工具适配会不会扩到训练侧、9070系的炼丹实测能不能再多一些、注意力算子除了sage attention还有没有别的加速方案。A卡这条路，推理端的「能用」正在往训练端的「可用」挪，速度比很多人想的快——但别信信仰，信实测名单。
你已经在A卡上炼丹了吗？评论区报一下卡型号和炉子，这张A卡炼丹地图，靠大家接着补。
