ข้ามไปยังเนื้อหา
aipcmag

โหมด

ชุดสี

AMD Radeon RX 6800 XT

คู่มือรวมสำหรับการใช้ AMD Radeon RX 6800 XT แบบ 16 GB VRAM ทำงานด้าน Local AI ทั้ง LLM, การสร้างภาพ, Speech-to-Text และ RAG

ข้อมูลเบื้องต้น

หัวข้อที่มีชื่อว่า “ข้อมูลเบื้องต้น”

Radeon RX 6800 XT 16 GB เป็น GPU ที่ใช้ทำ Local AI ได้จริง โดยเฉพาะงานรันโมเดลภาษาขนาด 7B ถึง 14B แบบ quantized การสร้างภาพด้วย Stable Diffusion, ComfyUI และการถอดเสียงด้วย Whisper เพิ่งแต่เราอาจจะต้องเลือก backend ที่ใช้งานให้ถูกต้อง เช่นบน Windows แนะนำให้เลือกเป็น Vulkan เพราะ ROCm อาจจะไม่ค่อยนิ่ง ส่วน Linux สามารถเลือกใช้งานได้ทั้ง ROCm และ Vulkan

จุดเด่นหลักคือ VRAM 16 GB GDDR6 ที่มีแบนด์วิดธ์หน่วยความจำประมาณ 512 GB/s ซึ่งถือว่าเร็วพอสมควรสำหรับการ์ดจอรุ่นเก่า ช่วยให้ใช้งานโมเดล LLM ขนาดเล็กถึงกลางทำงานได้ราบรื่น เมื่อเลือก quantization และ context length ที่เหมาะสม

สเปคที่เกี่ยวกับงาน AI

หัวข้อที่มีชื่อว่า “สเปคที่เกี่ยวกับงาน AI”

จากหน้าสเปคทางการของ AMD (AMD Radeon RX 6800 XT)

รายการ รายละเอียด
สถาปัตยกรรม RDNA 2 (gfx1030)
Compute Units / Stream Processors 72 / 4,608
AI Accelerators ไม่มี
หน่วยความจำ 16 GB GDDR6 16 Gbps, bus 256-bit
Memory bandwidth สูงสุด 512 GB/s
Infinity Cache 128 MB
FP16 (vector) สูงสุด 41.47 TFLOPS
Typical Board Power 300 W
PSU ขั้นต่ำที่ AMD แนะนำ 750 W
อินเทอร์เฟซ PCIe 4.0 x16
วางขาย / ราคาเปิดตัว 18 พฤศจิกายน 2020 / 649 ดอลลาร์สหรัฐ (AMD)

ตัวเลขที่ต้องดูสำหรับ LLM คือ VRAM และ bandwidth ดู Prefill vs Decode การ์ดนี้ไม่มีหน่วย AI แยก ไม่มีคำสั่ง WMMA และไม่รองรับ FP8 งาน prefill ที่ใช้พลังประมวลผลจึงเสียเปรียบการ์ดรุ่นใหม่

เหมาะกับงาน AI แบบไหน

หัวข้อที่มีชื่อว่า “เหมาะกับงาน AI แบบไหน”
ประเภทงาน ความเหมาะสม ตัวอย่างการใช้งาน
แชทกับ LLM ในเครื่อง ดีมาก Llama 3.1 8B, Qwen 7B–14B, Gemma 12B [web:20][web:26]
Coding assistant ดี Qwen Coder, DeepSeek-Coder รุ่นเล็ก [web:26]
สร้างภาพ ดี Stable Diffusion 1.5, SDXL, Flux แบบ quantized
Speech-to-Text ดีมาก Whisper medium หรือ large แบบ quantized
RAG และสรุปเอกสาร ทำได้ LLM 7B–14B + vector database
โมเดล dense 30B ขึ้นไป ไม่แนะนำ มักต้องใช้ VRAM เกิน 16 GB หรือ offload ไป RAM จนช้าลง

โมเดลที่แนะนำ

หัวข้อที่มีชื่อว่า “โมเดลที่แนะนำ”
โมเดล Quantization แนะนำ VRAM โดยประมาณ เหมาะกับ
Llama 3.1 8B Instruct Q4_K_M หรือ Q5_K_M 6–10 GB แชท, สรุป, งานเขียน
Qwen 7B / 8B Q4_K_M 5–9 GB แชท, งานเอกสาร, coding เบื้องต้น
Qwen 14B Q4_K_M 10–14 GB reasoning, coding, งานวิเคราะห์
Gemma 12B Q4_K_M 8–12 GB แชท, สรุปเอกสาร
DeepSeek-R1-Distill 14B Q4_K_M 10–12 GB reasoning และ coding
Qwen3-Coder-30B-A3B Q4 GGUF ต้องจัดการ VRAM/RAM อย่างระวัง coding, โมเดล MoE

แนวทางเลือกโมเดล

หัวข้อที่มีชื่อว่า “แนวทางเลือกโมเดล”
  • เริ่มจากโมเดล 7B–8B แบบ Q4_K_M ก่อน เพื่อทดสอบความเสถียรของระบบ
  • หากต้องการคุณภาพคำตอบและ reasoning ที่ดีขึ้น ให้ลองโมเดล 12B–14B แบบ Q4_K_M
  • หลีกเลี่ยงโมเดล dense 30B+ หากต้องการความเร็ว เพราะมักต้อง offload บางส่วนออกจาก GPU
  • สำหรับงาน coding ที่ต้องการโมเดลใหญ่ ให้พิจารณา MoE ที่มี active parameters น้อย เช่น Qwen3-Coder-30B-A3B

ซอฟต์แวร์ที่แนะนำ

หัวข้อที่มีชื่อว่า “ซอฟต์แวร์ที่แนะนำ”
ซอฟต์แวร์ ใช้ทำอะไร Backend ที่แนะนำ
Ollama รัน LLM ง่ายที่สุด ROCm บน Linux, Vulkan บน Windows [web:25][web:33]
llama.cpp ควบคุมการตั้งค่าสูง รองรับ GGUF ROCm หรือ Vulkan [web:23][web:29]
LM Studio ใช้งานแบบ GUI Vulkan หรือ DirectML บน Windows [web:33]
ComfyUI สร้างภาพและทำ workflow ROCm, ZLUDA หรือ DirectML ตามการตั้งค่า
Whisper.cpp แปลงเสียงเป็นข้อความ Vulkan หรือ ROCm
Open WebUI หน้าแชทคล้าย ChatGPT เชื่อมกับ Ollama หรือ API

เทียบกับการ์ดอื่น

หัวข้อที่มีชื่อว่า “เทียบกับการ์ดอื่น”
รายการ RX 6800 XT RX 9070 XT RX 9060 XT 16GB
VRAM 16 GB 16 GB 16 GB
Memory bandwidth 512 GB/s 640 GB/s 320 GB/s
กำลังไฟการ์ด 300 W 304 W 160 W
AI Accelerators / FP8 ไม่มี / ไม่มี มี / มี มี / มี
ROCm ทางการ ไม่รองรับ รองรับ รองรับ

บทความที่เกี่ยวข้อง

หัวข้อที่มีชื่อว่า “บทความที่เกี่ยวข้อง”

แหล่งอ้างอิง

หัวข้อที่มีชื่อว่า “แหล่งอ้างอิง”