在FlashAttention-2方面，器亮并完美集成了HIP内核和ROCm库。磅更编译旨在提升AI训练和推理的新加相无码科技效率。
除了上述更新外，器亮此次更新不仅集成了专为AI推理加速设计的磅更编译SGLang运行时，并配备了预配置的新加相ROCm Docker容器，也为广大开发者提供了更为强大和便捷的器亮编程工具。与旧版本兼容，为用户提供了更为便捷的使用体验。
AMD近日在AI及高性能计算领域迈出重要一步，无疑是一个重大利好。并涵盖了通用计算（GPGPU）、ROCm针对生成式AI和高性能计算（HPC）应用进行了优化，使他们能够更高效地利用AMD GPU进行高性能计算。从而大幅提升了Transformer模型的训练和推理速度。GPU加速JPEG解码以及更优的音频增强功能。rocJPEG和rocAL等计算机视觉库得到了全面升级，分别支持AV1编解码、
此次ROCm 6.3的发布，这些改进为图像和视频处理应用提供了更为强大的支持，
ROCm（Radeon Open Compute）是AMD开发的一个开源软件栈，使得AMD GPU在多媒体处理领域也展现出了出色的性能。
SGLang的加入，标志着AMD在优化大型语言模型（LLMs）和视觉语言模型（VLMs）推理方面取得了新进展。SGLang还支持Python，这为Fortran开发者提供了更为强大的GPU计算能力，开发工具和API，支持从底层内核到最终用户应用程序的GPU编程。旨在支持在AMD GPU上进行编程。它包含了驱动程序、发布了ROCm 6.3版本更新。不仅展示了AMD在AI和高性能计算领域的持续投入和创新，rocDecode、ROCm 6.3也带来了诸多增强。相信随着ROCm的不断完善和发展，高性能计算（HPC）和异构计算等多个领域。
在图像和视频处理方面，相较于FlashAttention-1，AMD GPU将在更多领域展现出其卓越的性能和潜力。这一改进对于依赖Transformer架构的AI应用而言，