Por Canuto  

Ingenieros de AMD probaron HRX Loom junto con agentes de inteligencia artificial para adaptar 50 modelos de Hugging Face, pertenecientes a 18 arquitecturas, a GPU de cliente en tres o cuatro días. El equipo también reportó mejoras en el procesamiento de prompts extensos frente a dos backends de Llama.cpp.
***

  • El experimento de AMD portó 50 modelos populares de Hugging Face, de 18 arquitecturas, a GPU de cliente en tres o cuatro días.
  • La prueba combinó HRX Loom, flujos de trabajo con agentes de IA y hardware Ryzen AI Max, conocido como Strix Halo.
  • AMD reportó aceleraciones promedio de 1,5 a 2,1 veces frente al backend ROCm de Llama.cpp en prompts de 32.000 tokens.

 

Un equipo de ingenieros de AMD utilizó HRX Loom y un flujo de trabajo con agentes de inteligencia artificial para adaptar 50 modelos populares de Hugging Face a GPU de cliente. El experimento, encabezado por Jeremy Fowers y Ben Vanik, abarcó 18 arquitecturas y se completó en aproximadamente tres o cuatro días, según informó Phoronix el 13 de noviembre de 2026.

La prueba buscó mostrar cómo la herramienta experimental de AMD podría agilizar el acceso a modelos nuevos o de nicho en su hardware. El equipo también reportó mejores tiempos de procesamiento de prompts extensos frente a dos backends de Llama.cpp, aunque los resultados describen ese experimento y no equivalen por sí solos a una garantía de rendimiento para cualquier modelo o configuración.

Una prueba rápida para ampliar la compatibilidad

Los modelos de lenguaje de gran tamaño, conocidos como LLM, no funcionan automáticamente en cualquier GPU: su arquitectura y la forma en que se ejecutan deben ser compatibles con el software y el hardware disponibles. Por eso, portar un modelo implica adaptar su ejecución a un entorno concreto, una tarea que puede requerir trabajo técnico incluso cuando el modelo ya está publicado y disponible para descargar.

En este caso, los ingenieros eligieron 50 modelos que estaban en tendencia en Hugging Face, un repositorio de modelos de inteligencia artificial, y abarcaron 18 arquitecturas. El volumen importa porque la prueba no se limitó a un solo modelo o familia, aunque la información publicada no detalla los nombres de cada modelo ni explica el procedimiento individual aplicado a cada arquitectura.

Fowers y Vanik lideraron el experimento, que combinó el software HRX Loom con agentes de IA para acelerar las tareas de adaptación. El equipo situó el tiempo total en unos tres o cuatro días, un resultado que AMD presentó como demostración del potencial de esa combinación para incorporar modelos recientes o especializados con mayor rapidez.

La meta, por tanto, no fue anunciar que todos los modelos de Hugging Face ya funcionan de forma general en las GPU de AMD. La prueba se planteó como un experimento sobre la rapidez con que pueden llevarse ciertos modelos al hardware de cliente, y sus cifras deben leerse dentro de ese alcance específico.

Qué aporta HRX Loom y qué hardware se evaluó

HRX Loom es un proyecto experimental de AMD orientado a facilitar la creación y ejecución de programas optimizados para sus procesadores y aceleradores. En el ecosistema HRX, el repositorio ROCm/hrx-solutions describe un modelo de programación que permite ejecutar tareas de forma coordinada en CPU, GPU y NPU. El experimento descrito, sin embargo, puso el foco en las GPU de cliente.

El hardware mencionado para la prueba fue Ryzen AI Max, identificado con el nombre en clave Strix Halo. AMD destacó ese equipo como plataforma central del trabajo y señaló como ejemplos de productos relacionados Ryzen AI Halo y Framework Desktop, sin que la información disponible detalle las configuraciones exactas usadas para cada modelo o medición.

El trabajo también incluyó loom-skills, un conjunto de recursos destinado a equipar agentes como Claude Code, Codex y Pi para crear y servir programas de modelos optimizados para GPU de cliente de AMD. El foco y las pruebas actuales, según la descripción del proyecto, están puestos en Strix Halo; esto no significa que el material anunciado garantice compatibilidad inmediata con toda la gama de GPU de la empresa.

La integración con agentes de IA forma parte de la propuesta experimental, no de una afirmación de que el proceso se automatice por completo sin intervención técnica. La fuente describe una combinación de herramientas de software, agentes y hardware, pero no desglosa qué pasos fueron autónomos, cuáles requirieron revisión humana ni cómo se distribuyó el trabajo durante esos días.

Las cifras de rendimiento y sus límites

En las pruebas de procesamiento de prompts de 32.000 tokens, el equipo reportó una aceleración promedio de entre 1,5 y 2,1 veces frente al backend ROCm de Llama.cpp. La comparación se refiere a una carga prolongada de entrada, y el material publicado no ofrece en el texto disponible una tabla con resultados por modelo, arquitectura o configuración para explicar la variación dentro de ese intervalo.

Frente al backend Vulkan de Llama.cpp, AMD reportó una aceleración de 1,9 veces. Ambos resultados comparan HRX Loom con alternativas concretas de Llama.cpp, pero no deben interpretarse como una mejora universal en cualquier tarea de inferencia, ya que la información resumida se refiere específicamente al procesamiento de prompts de 32.000 tokens.

El tamaño de un prompt puede ser relevante para aplicaciones que deben procesar entradas extensas, pero una comparación de este tipo no sustituye una evaluación completa de latencia, consumo, calidad de respuesta o desempeño en otros tamaños de contexto. La fuente no ofrece esos datos ni plantea conclusiones sobre ellos, de modo que la cifra anunciada funciona como una señal inicial del potencial que AMD quiso explorar.

También importa que se trate de un proyecto experimental y de resultados comunicados en el marco de una demostración técnica. Sin detalles adicionales sobre el protocolo, las versiones de software y las condiciones de cada medición, no es posible trasladar las aceleraciones reportadas a todos los equipos o cargas de trabajo que utilicen modelos de lenguaje.

Una herramienta prometedora, todavía en etapa experimental

La página de GitHub de Loom-Fun reúne los resultados del experimento y ofrece más información sobre el trabajo. AMD también mantiene documentación de contexto sobre Loom, mientras que loom-skills constituye una parte práctica del esfuerzo para facilitar el uso de agentes de IA en la creación y puesta en marcha de programas optimizados.

Para los desarrolladores, el atractivo potencial está en reducir el tiempo entre la aparición de un modelo y su disponibilidad en una plataforma de hardware determinada. La prueba de 50 modelos en pocos días apunta a esa posibilidad, aunque no establece cuánto tiempo requeriría una adopción rutinaria ni si el mismo ritmo se mantendría con modelos distintos o futuras arquitecturas.

El experimento se inserta en un desafío más amplio para los fabricantes de hardware: ofrecer herramientas que permitan ejecutar una variedad creciente de modelos, en vez de depender de un conjunto limitado de opciones preadaptadas. En el caso de AMD, HRX Loom intenta abordar ese trabajo con apoyo de agentes y con ejecución posible en GPU, CPU y NPU, pero la compañía todavía lo describe como experimental.

Por ahora, el resultado más concreto es una demostración de alcance acotado: 50 modelos populares de Hugging Face, 18 arquitecturas, tres o cuatro días de trabajo y mejoras reportadas en una comparación específica de prompts largos. El próximo paso dependerá de cómo evolucione HRX Loom y de si AMD amplía la documentación y las pruebas más allá del foco actual en Strix Halo.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados