AMD AOCL 6.0.0 针对第六代 EPYC Venice 处理器优化

AMD-8.52%

关键要点

  • AMD 于 2026 年 11 月 19 日发布 AOCL 6.0.0,该版本针对采用 Zen 6 架构的第 6 代 EPYC Venice CPU 进行了优化,适用于 AI 推理、内存和分析工作负载。
  • 在 Venice 系统上,AOCL-DLP 实现了每核心 INT8 GEMM 性能提升 1.6x–1.84x,并叠加了 12% 的软件优化收益。
  • AOCL-LibMem 6.0.0 和 AOCL-DA 带来了内存性能几何平均提升 15% 和每核心分析性能提升 1.3x,并新增了用于随机数生成的 AOCL-OpenRNG 库。

AMD 于 2026 年 11 月 19 日宣布 AOCL 6.0.0 正式推出。该版本针对基于 Zen 6 架构的第 6 代 AMD EPYC 服务器 CPU(代号“Venice”),在 AI 推理、数值计算、内存操作、数据分析、压缩和运行时基础设施等领域引入了 Venice 专属优化。新版本库针对多种工作负载类别优化了软件性能,以最大限度地发挥硬件利用率。AOCL 6.0.0 是一次全面的优化升级,旨在帮助应用充分发挥 Venice 处理器在企业、科学计算和分析领域的能力。

Venice 硬件上的 AI 推理性能提升

深度学习原语组件 AOCL-DLP 改进了 Venice 处理器上部分 INT8 和 FP16 计算路径。早期测试展示了 Venice 与第 5 代 AMD EPYC 服务器 CPU(代号“Turin”)之间的每核 INT8 GEMM 加速比。仅 Venice 硬件就实现了 1.4x–1.7x 的每核 INT8 GEMM 加速比,而搭载 AOCL 6.0.0 优化的 Venice 则达到了 1.6x–1.84x 的每核加速比。在硬件性能提升的基础上,软件优化又带来了约 12% 的额外性能提升,从而提高推理吞吐量,同时保留企业已经依赖的 CPU 部署模式。越来越多的推荐系统、检索流水线、排序模型和企业 AI 服务采用基于 CPU 的推理,因此这些低精度计算改进可直接应用于生产工作负载。

内存操作和稠密线性代数改进

AOCL-LibMem 6.0.0 针对 Venice 处理器优化了关键内存操作,其中包括 Meta 的开源基准测试套件 DCPerf 中的工作负载。测试显示,内存性能几何平均提升约 15%,热缓存 memcpy 性能最高提升 30%,memset 操作性能最高提升 20%,DCPerf 张量工作负载性能提升 6–7%。许多应用会将大量时间花在数据移动操作上,因此这些提升会直接改善应用的端到端性能。针对 HPC 工作负载,AOCL-BLAS 库改进聚焦于 DGEMM 稠密矩阵内核和部分常见的数学例程,这些例程经常影响整体应用性能;现有应用无需修改源代码即可获得这些提升。

数据分析和机器学习加速

AOCL Data Analytics(AOCL-DA)库 6.0.0 新增了 API,并针对 Zen 6 进行了调优,以优化处理大型数据集的数据分析工作负载,这些数据集为推荐系统和机器学习工作流提供数据。在 Venice 系统上,每核性能提升约 1.3x,部分近似最近邻(ANN)工作负载的运行速度最高提升至 4 倍。这些改进缩短了大型数据集分析任务的运行时间,可直接提升使用 Scikit-Learn 等框架的常见机器学习和数据分析流水线的性能。

全新随机数生成库与扩展优化

AOCL 6.0.0 推出了 AOCL-OpenRNG,这是一款面向仿真、金融建模、科学计算、AI 和数据分析工作负载的全新开源随机数生成库。AOCL-OpenRNG 基于 Arm 上游 OpenRNG 实现构建,同时保持与 Arm 处理器的兼容性;它还包含兼容 Vector Statistical Library(VSL)的 API,便于从现有接口迁移,并融入了 AMD 专属的性能增强、架构感知优化,以及在社区参与下开发的现代化构建基础设施。除上述重点领域外,AOCL 6.0.0 还更新了数值计算、AI、数据分析、压缩、内存优化、随机数生成和开发者基础设施等方面。架构感知优化保留了熟悉的 API,便于在企业和科学计算环境中轻松采用。

关键事实

  • AOCL 6.0.0 发布日期:2026 年 11 月 19 日
  • 目标平台:基于 Zen 6 架构的第 6 代 AMD EPYC 服务器 CPU(代号“Venice”)
  • 仅使用 Venice 硬件时的每核 INT8 GEMM 加速比:相比第 5 代 EPYC(Turin)为 1.4x–1.7x
  • 使用 AOCL 6.0.0 优化时的每核 INT8 GEMM 加速比:相比 Turin 为 1.6x–1.84x
  • 硬件性能提升基础上的软件优化额外增益:约 12%
  • 内存性能几何平均提升:约 15%
  • 热缓存 memcpy 性能提升:最高 30%
  • memset 操作性能提升:最高 20%
  • DCPerf 张量工作负载性能提升:6–7%
  • Venice 上数据分析每核性能提升:约 1.3x
  • 部分近似最近邻(ANN)工作负载加速:最高可快 4 倍
  • 新推出的库:AOCL-OpenRNG,一款兼容 Arm 处理器并包含兼容 Vector Statistical Library(VSL)API 的开源随机数生成库
  • 覆盖的优化领域:AI 推理、数值计算、内存操作、数据分析、压缩和运行时基础设施

常见问题

AOCL 6.0.0 为 Venice 上的 AI 推理带来了哪些具体改进?

AOCL 6.0.0 中的 AOCL-DLP 改进了 Venice 处理器上部分 INT8 和 FP16 计算路径。早期测试表明,仅 Venice 硬件相较于第 5 代 EPYC(Turin)即可实现 1.4x–1.7x 的每核 INT8 GEMM 加速比,而加入 AOCL 6.0.0 优化后,每核加速比可提升至 1.6x–1.84x。在硬件性能提升的基础上,软件优化又带来了约 12% 的额外性能提升,从而提高推理吞吐量,同时保留推荐系统、检索流水线、排序模型和企业 AI 服务所采用的 CPU 部署模式。

AOCL 6.0.0 中哪些内存和数据分析工作负载的性能提升最大?

AOCL-LibMem 6.0.0 显著提升了内存操作性能:内存性能几何平均提升约 15%,热缓存 memcpy 性能最高提升 30%,memset 操作性能最高提升 20%。对于数据分析工作负载,AOCL-DA 6.0.0 在 Venice 系统上实现了约 1.3x 的每核性能提升,部分近似最近邻(ANN)工作负载的执行速度最高提升至 4 倍。这些改进可直接惠及使用 Scikit-Learn 等框架处理大型数据集的常见机器学习和数据分析流水线。

AOCL-OpenRNG 是什么?它与 AOCL-RNG 有何不同?

AOCL-OpenRNG 是 AOCL 6.0.0 推出的一款全新开源随机数生成库,面向仿真、金融建模、科学计算、AI 和数据分析工作负载。它基于 Arm 上游 OpenRNG 实现构建,保持与 Arm 处理器的兼容性,并包含兼容 Vector Statistical Library(VSL)的 API,便于从现有接口迁移。应用可根据部署要求、可移植性需求和开源偏好,在 AOCL-RNG 与 AOCL-OpenRNG 之间进行选择。AOCL-OpenRNG 融入了 AMD 专属的性能增强、架构感知优化,以及在社区参与下开发的现代化构建基础设施。

免责声明:本页面信息可能来自第三方,仅供参考,不代表 Gate 的观点或意见,亦不构成任何财务、投资或法律建议。数字资产交易风险较高,请勿仅依赖本页面信息作出决策。具体内容详见声明。
评论
0/400
暂无评论