如果大家還對我們的RX 9070/9070 XT首發評測有印象的話，應該還記得AMD往驅動添加了個名叫AMD Chat的功能。AMD Chat是個本地運行的AI聊天機器人，基於Qwen模型打造。它和AMD Software的功能緊密綁定，因此你能在聊天框裡問它顯卡的溫度、驅動的資訊等，挺好玩的。而為了讓更多對AI感興趣的玩家能快速上手AI應用和開發，AMD在今年的驅動更新中加入了AI Bundle這一個可選安裝組件，今天就讓我們和盈通顯卡一起看看AMD的AI大禮包中究竟有什麼。
AI Bundle簡單介紹
AMD把主板、顯卡驅動更新都搬到了AMD Install Manager上，AI Bundle也在其中。之所以它是可選組件一方面是可能是因為它包含的應用都是來自第三方，另一方面則是因為它的體積都比較大，像PyTorch和ComfyUI都是13GB。當然，這兩個應用大的原因其實來源於ROCm的whl包，Python還有ComfyUI的本體並不大。
還是從第一個Amuse開始介紹吧。Amuse是一款由TensorStack AI打造的，本地運行的AI創作工具，支持圖片和影片生成。它的優點在於易用性：首先它是一個獨立的程序，沒有太多的窗口，也沒有命令行界面。初學者可以使用EZ模式快速上手，而專家模式則提供進階的控制選項，比如步數、解析度這些參數。此外，它針對AMD硬體進行了優化，可以發揮出Radeon顯卡的實力。
EZ模式的圖生圖功能
ComfyUI這個節點創作工具相信大家都已經很熟悉了，我們在之前的中也經常提及。不過ComfyUI功能強大歸強大，怎麼安裝使用卻是一件比較麻煩的事情。因此，AI Bundle把所有東西都打包好了——在AMD Install Manager目錄的AIBundle.json裡面能看到需要下載的文件，這一系列標有ROCm字樣的文件就是AMD的加速包。
ComfyUI主界面
AI Bundle會自動安裝PyTorch + ROCm
最後是LM Studio和Ollama兩個應用，它們用於本地運行LLM。就主要功能上來說，這兩者是一樣的，不過具體到操作上，它們的區別倒是有點大：Ollama雖然有圖形界面，但通過命令行操作更好；而LM Studio的圖形界面較為完善，你能點點滑鼠完成所有操作。
LM Studio
Ollama
至於PyTorch開發框架這個，說真的我並不太建議通過AMD Install Manager安裝（更何況這個Python還裝在了AppData/Local里）。從開發者的角度來說，開發環境還是自己來部署比較好，至少安裝路徑、環境變量、Python版本這些是自己可以控制的。
測試平台
這次的測試平台由銳龍9 9950X、微星MPG B850M EDGE TI MAX WIFI和32GB的DDR5-6000 C30記憶體組成。顯卡則是來自盈通 RX 9070 XT 16G D6 破繭 Mercury Nova OC和盈通RX 9060 XT遊戲高手ACE OC，它們的規格雖然不同，但是顯存容量都為16GB，可以運行20B級別的Q4量化模型，圖像模型自然也不在話下。
盈通 RX 9070 XT 16G D6 破繭 Mercury Nova OC
盈通RX 9060 XT遊戲高手ACE OC
AI Bundle應用逐個體驗
安裝AI Bundle非常簡單，完全就是在AMD Install Manager上點點滑鼠的事，唯一的要求可能只有網路，畢竟需要連接到GitHub、HuggingFace等網站拉取資源。
和顯卡驅動安裝一樣的界面
Amuse
Amuse一打開就是EZ界面，在這個界面中，選項被減到最低以便讓新手快速熟悉操作。可以看到就連模型選擇、步數、解析度這些選項在EZ界面上都是沒有的，只有生成圖片數、比例，以及一個控制性能的拉杆。在首次生成時，Amuse會提示你下載新模型。也許是考慮到了不同硬體的兼容性，Amuse EZ模式中提供的模型並不是壓力最大的那一批，而是側重於Stable Diffusion XL這些體量較小的模型。
Amuse主界面
因為EZ界面下載的模型均是針對AMD優化的ONNX模型，無論是Radeon RX 9070 XT還是RX 9060 XT在Amuse上都有非常快速且靈敏的體驗。在文生圖裡面，RX 9070 XT也就用了6.6秒就能生成4張1024 x 1024解析度的圖片；RX 9060 XT則用了12.7秒，速度剛好是RX 9070 XT的一半，正好跟Navi 48、Navi 44的關係相對應。
而在以圖生圖的AI Filter功能中，兩張卡也呈現了相似的性能表現。值得一提的是，雖然速度有區別，但兩張卡的顯存都足以支撐模型的運行。
除了EZ模式外，Amuse還提供了可調參數更多的Expert Mode，這裡的選項就很接近ComfyUI了，比如正面提示詞和負面提示詞、步數等。右下角還有一個系統資訊監視器。另外，在Expert Mode中，Amuse還提供了模型管理器，可以直接安裝模型。
Amuse的專家模式
Amuse的模型管理器，已經下載好了用於EZ模式的模型
ComfyUI
相比於Amuse，ComfyUI的啟動稍微複雜一些，需要到AMD Software的AI分頁中點擊ComfyUI，這裡分為兩個窗口，第一個窗口用於偵測ComfyUI後端的啟動狀況並自動拉起瀏覽器，第二個窗口就是ComfyUI的本體。
因為AMD Installer Manager已經為我們安裝好了ROCm、PyTorch等運行組件，所以我們能在控制台和ComfyUI的設置頁面中看到對應的設備資訊。你可以直接從ComfyUI的模板菜單中選擇一個開始，也可以下載模型後搭建自己的工作流。
PyTorch版本是2.9，ROCm版本是7.1
ComfyUI的節點式界面能夠對生成的圖像進行更精細的控制。這裡我們用的測試模型是Lumina Image 2.0，一款2.6B的模型。在步數為25，解析度為1024 x 1024的默認設置下，RX 9070 XT生成一張圖大概需要23秒，而RX 9060 XT則接近50秒。
你可能會比較好奇為什麼用的是Lumina Image 2.0而不是FLUX.2 [klein]這些新出的模型，這裡就要涉及到另一個問題了：目前AI Bundle默認提供的ComfyUI版本和ROCm並不是最新的，而AI的進化速度向來很快。當然，這樣做也可能是出於穩定性的考慮。個人建議是用熟練後可以升級到最新版，因為一些新的圖像模型首發時都同步推出了效率更高的FP8版本，而RDNA 4的第二代AI加速器正好支持這種格式。
LM Studio
前面說到LM Studio是個圖形化界面完善的應用，因此在使用上可以說是非常方便，內置的模型目錄可以直接搜索並下載模型。下載完成後，即可在首頁裝載模型，進行聊天。在設置中，你可以看到LM Studio已經識別到了這張RX 9070 XT，在運行時上也選擇了ROCm llama.cpp。另外，你也能選擇通用型的Vulkan llama.cpp運行時。
LM Studio的模型目錄可以很好地查找到適用於設備的模型
我們採用Qwen3.5 9B Q8_0這一款模型來測試，載入完成後，該模型大概會占用10.5GB顯存。輸出速度方面，RX 9070 XT可達到57 token/s，而RX 9060 XT則達到了31 token/s。輸出過程中，兩張顯卡都很難出現卡頓的現象，無論是公式還是代碼，大多都能一口氣輸出完成。
Ollama
Ollama的圖形界面有點像Amuse的EZ模式，屬於是比較簡潔的那一種。在聊天主界面選中你想要的模型並發起聊天，Ollama就會自動下載對應的模型。不過這只是Ollama這個框架最基本的用法。只有通過命令行，你才能體驗到它的全部功能，比如說，運行一個完全本地運行的OpenClaw，模型是Qwen3.5 9B Q4_K_M。目前Ollama支持Vulkan加速，為了加快生成速度我們也是通過環境變量啟用了這一實驗性功能。
Ollama支持一鍵安裝多種AI Agent
基於Ollama的OpenClaw
總結
哪怕到了2026年，相比於直接打開App或網頁就能訪問的雲端AI，想要在本地運行小規模的模型其實還是有一定難度的，下載模型、安裝框架是一方面，更重要的是如何讓顯卡真正地發揮出應有的性能，並在運行中保持穩定。對於缺乏電腦經驗的新手來說，光是前期的查閱文檔、處理Python環境這塊就得耗費不少時間，說真的，這可比給遊戲裝運行庫和打mod難多了。
而AMD AI Bundle的出現，則給裝備Radeon顯卡的玩家們提供了一種簡單和快捷的體驗方法，只需要一個良好的網路，點點滑鼠就能體驗從生圖到聊天機器人的各式應用。同時，藉助ROCm或DirectML、Vulkan的加速，被測的Radeon顯卡GPU和顯存使用率都能直接拉滿。雖然玩AI這事說到底還是離不開命令行甚至是Linux系統，但AMD AI Bundle至少提供了一個輕鬆愉快的開局，待到玩家熟練之後，學著怎麼升級ComfyUI或部署PyTorch開發環境也不遲。
當然，除了軟體外，硬體也是分外重要，特別是在連續AI生圖這種高負載場景下，顯卡的散熱能力是值得考量的。而我們這次測試的盈通RX 9070 XT破繭OC採用了3把93mm風扇，7加均熱板的組合，在切換到超頻BIOS時也能保持穩定的功耗釋放，可以說它不僅精通遊戲，在AI應用上面也能一展身手。
