AMD Radeon R9700 32GB 最近在開源 AI 社群引發熱議，透過軟體與推論框架優化，單卡運行 27B 大模型時，Prefill 可達每秒 3619 Tokens，Decode 更達每秒 153 Tokens。關鍵在於將 NVFP4 即時轉換為 MXFP4，降低資料搬運與記憶體頻寬壓力，讓同一張顯卡發揮更高效能。不過高跑分背後仍有 Prefix Caching、PCIe 頻寬、散熱功耗，以及 ROCm、vLLM、Docker 部署等挑戰。R9700 雖展現高 CP 值潛力，但更像一台需要工程師調校的 AI F1 賽車。
開發者最新實測顯示，AMD Radeon AI PRO R9700 32GB 不需更換硬體，只靠軟體優化，就能讓地端 AI 推論效能大幅提升。透過將 NVIDIA NVFP4 模型載入時轉為 MXFP4，搭配針對 AMD RDNA4 優化的推論 Kernel，執行 Qwen3.8 27B 時，Coding 超過每秒 120 Tokens，JSON 更達 153 Tokens，8 路並行總吞吐達 471 Tokens。這代表 AMD 地端 AI 生態正逐漸成熟。對熟悉 Linux、Docker、ROCm 的開發者而言，已值得測試；但中小企業真正需要的，不只是高跑分 GPU，而是能讓多人共用、資料不外流、開機即用且有人維護的地端 AI Server。
AMD Radeon AI PRO R9700 32GB 最近在 Local LLM 社群引發關注。開發者實測 Qwen3.8 27B，透過 NVFP4 轉 MXFP4、客製化 Kernel 與推論軟體優化，Coding 達 120 Tokens/s、JSON 更衝到 153 Tokens/s，8 路並發總吞吐達 471 Tokens/s，整體效能甚至接近翻倍。 這次真正值得注意的，不是 AMD 是否擊敗 NVIDIA，而是 AI 推論已從單純比 GPU 硬體，進入「硬體＋量化格式＋Kernel＋推論引擎」的軟硬整合競爭。對有經驗的 AI 開發者，R9700 已值得進場測試；對中小企業，則不應只買顯卡，而應導入包含 Linux、Docker、RAG、Agent、監控與維護的完整地端 AI Server。未來企業真正該問的，可能不是用了哪張 GPU，而是軟體能把 GPU 發揮到幾成。
本該報告書詳細說明了 AI 工作站環境中 Docker 映像與容器的管理策略，包括映像的固定性與跨平台性、容器生成及分層存儲的機制，並提供有效的清理和管理方法，以解決儲存空間佔用的問題。報告亦介紹了 Docker 映像和容器的硬碟空間使用情況及定期備份的必要性，並列出常見問題的解答。通過良好的管理與定期備份策略，使用者可以有效保持 Docker 系統的穩定性，並充分利用硬體資源。此外，作者分享了個人構建 AI 工作站並在不同容器間切換運算的經驗，使 Docker 的運用更加熟練並適應多元運算需求。