J'ai vendu ma RTX 5060 cet été et je suis passé sur une RX 9060 XT 16 Go. Sur le papier c'était un bon calcul : plus de VRAM pour moins cher. Reste une question que je n'avais pas tranchée en achetant, et qui revient chaque fois qu'on quitte NVIDIA — est-ce que je peux encore faire tourner de l'IA en local ? Cet article fait le tour des options documentées. Je ne les ai pas encore essayées.
D'où viennent ces données
C'est important de le poser avant de continuer, parce que sur ce sujet précis le web est plein de tutoriels qui promettent plus qu'ils ne tiennent.
Sauf mention explicite du contraire, tout ce qui suit vient de sources primaires, liées dans le texte : les notes de version officielles d'AMD, la documentation ROCm, la documentation du projet ZLUDA et le dépôt GitHub du projet communautaire dont je parle plus bas. Je n'ai lancé aucun de ces logiciels sur ma machine à l'heure où j'écris. Il n'y a donc dans cet article aucun chiffre de performance qui soit le mien, aucun tutoriel testé, et aucun classement AMD contre NVIDIA.
Ce que je vais tester, et ce que je publierai ensuite, est décrit à la fin.
Pourquoi la question n'est pas triviale
CUDA est l'écosystème de calcul de NVIDIA. Une bonne partie des logiciels d'IA grand public ont été écrits en supposant qu'une carte NVIDIA serait en face. Quand tu passes chez AMD, tu ne perds pas la puissance de calcul — tu perds la voie par défaut pour y accéder.
Il existe plusieurs réponses à ce problème. Le piège, c'est qu'on les confond en permanence dans les discussions, alors qu'elles n'ont ni le même niveau de support ni les mêmes limites. Je les sépare donc explicitement.
Quatre chemins, à ne pas mélanger
1. Le logiciel gère AMD nativement
C'est le cas le plus simple et le plus fiable. L'application a été portée, elle propose un backend AMD, tu l'installes et ça fonctionne sans couche de traduction. Quand cette option existe pour ton usage, c'est celle à regarder en premier.
2. PyTorch sur Windows, la voie officielle d'AMD
AMD publie un paquet dédié, AMD Software: PyTorch on Windows Edition. La version 7.2, dont les notes de version sont datées du 21 janvier 2026, est alignée sur ROCm 7.2.
Deux choses méritent d'être lues attentivement dans ces notes. La première, c'est la liste de compatibilité, et elle règle un malentendu répandu : on y trouve les RX 9070, RX 9070 XT, Radeon AI PRO R9700 et RX 9060 XT, mais aussi la RX 7900 XTX et les Radeon PRO W7900. Autrement dit, ce n'est pas réservé à la dernière génération. En revanche la liste est courte et nominative — une carte AMD absente de cette liste n'est pas couverte, et cela ne signifie pas que toute la gamme RX 7000 est prise en charge.
La seconde, c'est qu'AMD cite explicitement ComfyUI dans ses points forts, en suggérant d'ajouter les paramètres --lowvram --disable-pinned-memory sur les configurations à faible mémoire. Quand un constructeur nomme un logiciel de génération d'images dans ses notes de pilote, c'est le signal que ce chemin-là est pris au sérieux.
L'installation passe par le pilote Adrenalin 26.1.1, puis par le paquet PyTorch on Windows décrit dans la documentation ROCm pour Radeon. Le système supporté est Windows 11.
3. ZLUDA, la traduction CUDA
ZLUDA est autre chose. Ce n'est pas un portage : c'est une couche qui traduit les appels CUDA pour les faire exécuter sur du matériel AMD via ROCm. D'après sa documentation officielle, le projet permet de faire tourner des applications CUDA non modifiées sur des GPU AMD supportés, sous Windows comme sous Linux — et il précise lui-même que ce n'est pas une compatibilité CUDA universelle.
Quelques points de contexte qui comptent avant de s'y lancer. Le projet a connu plusieurs phases de développement et fonctionne aujourd'hui avec un rythme communautaire. Cela rend sa compatibilité intéressante, mais évolutive. La branche stable est la version 6, tandis que la branche 7 est distribuée en préversions ; au moment de ma vérification, la dernière préversion publiée était ZLUDA v7-preview.10. La FAQ du projet donne les Radeon RX 5000 et plus récentes comme cible grand public principale, Polaris et Vega n'étant pas supportées. Sous Windows, il faut un pilote AMD récent, le HIP SDK, et un lanceur ou un chemin de bibliothèques correctement configuré.
Un détail pratique qui évite une frayeur : des utilisateurs signalent parfois que Windows Defender met les binaires ZLUDA en quarantaine. Une couche qui injecte des DLL de compatibilité ressemble mécaniquement à un comportement suspect. Ce retour ne constitue pas une preuve de sécurité ou de dangerosité : télécharge uniquement les fichiers depuis les publications officielles du projet, et ne va pas désactiver ton antivirus ni récupérer une DLL de remplacement sur un miroir douteux.
4. Le projet qui a validé exactement ma carte
Il existe un dépôt GitHub, Speedstu/CUDA-for-AMD-Windows, qui assemble une pile reproductible ZLUDA plus HIP/ROCm pour Windows. Ce qui a attiré mon attention, c'est sa ligne de matériel validé : le seul GPU validé par le projet est la Radeon RX 9060 XT, en gfx1200. Les autres cartes AMD y sont présentées comme des candidates sans garantie.
C'est littéralement ma carte.
Ce que le projet annonce avoir vérifié, et il faut le lui attribuer plutôt que le présenter comme un résultat général : avec ZLUDA v6-preview.69, le HIP SDK 6.4 et LibTorch 2.3.0+cu118, les composants nvcuda, cuBLAS, cuBLASLt, cuSPARSE et cuFFT passent son test cuda_check, et un réseau PPO de 2 216 347 paramètres a bouclé une itération de validation de 65 536 pas. Le dépôt écrit noir sur blanc que cela ne signifie pas que tout programme CUDA ou tout modèle d'IA fonctionne, la couverture dépendant de la charge de travail.
Il faut ajouter une chose que le dépôt ne dit pas de lui-même : c'est un projet minuscule, quelques commits et une poignée d'étoiles au moment où j'écris. Un entraînement PPO validé ne dit rien sur un générateur d'images ou sur un modèle de langage. Et un projet de cette taille peut s'arrêter. Je le cite parce que c'est le seul point de validation publique que j'ai trouvé pour ma configuration exacte, pas parce que je le recommande.
Les murs connus
Ils sont documentés, autant les connaître avant de perdre une soirée.
Sur la pile Windows validée par le dépôt cité plus haut, le principal point de blocage documenté concerne cuDNN. Le HIP SDK stable ne fournit pas toute la pile ROCm dédiée à l'IA, notamment MIOpen. Les logiciels très dépendants de ces bibliothèques — typiquement ce qui est lourd en convolutions — peuvent donc demander une version plus récente ou davantage de configuration. Le projet note que sa charge d'entraînement dense s'en est passée, ce qui ne se généralise pas.
Les autres limites annoncées côté traduction CUDA : NCCL, TensorRT, certains comportements PTX non supportés et certaines extensions CUDA personnalisées peuvent échouer.
Et un piège de configuration qui fait perdre du temps : la valeur ZLUDA_CC=8.6 qu'on voit passer dans les tutoriels est une valeur de compatibilité côté CUDA, pas l'architecture du GPU AMD.
→ Voir aussi : Pourquoi j'ai vendu ma RTX 5060
Génération d'images et modèles de langage : deux problèmes différents
Pour la génération d'images, le chemin le plus direct sur le papier est le paquet PyTorch on Windows d'AMD, puisque les outils du domaine reposent sur PyTorch et qu'AMD documente lui-même des paramètres pour ComfyUI. La traduction CUDA devient l'option de repli pour les logiciels qui n'offrent aucune voie AMD.
Pour les modèles de langage en local, la question se pose différemment : les moteurs d'inférence proposent souvent plusieurs backends, dont Vulkan et ROCm, et le meilleur choix dépend du moteur, du modèle et de la carte. J'ai vu passer des comparaisons qui donnent un backend gagnant sur ma carte, mais elles viennent de blogs que je ne connais pas et je ne vais pas les reprendre comme référence. C'est typiquement le genre de point qu'un test maison tranche mieux qu'une citation.
Ce qui joue en ma faveur dans les deux cas, ce sont les 16 Go de VRAM. C'était l'argument de mon changement de carte, et c'est la ressource qui décide de la taille des modèles qu'on peut charger.
Ce que je vais tester, et ce que je publierai
Je vais tester ces possibilités sur ma RX 9060 XT 16 Go et compléter cet article avec mes résultats. Je n'annonce pas de configuration logicielle déjà validée : le choix des outils et des modèles fait partie de ce que je dois trancher.
Ce que je publierai : ce qui s'est installé sans douleur, ce qui a demandé du bricolage, ce qui a échoué et sur quel message d'erreur. Y compris les échecs. Un article qui ne raconte que les manipulations qui ont marché n'aide personne à savoir dans quoi il s'engage.
Ce que je ne publierai pas : un classement AMD contre NVIDIA sur la foi de trois installations, ni un tutoriel présenté comme éprouvé alors qu'il aurait tourné une fois sur une seule machine.
Si tu es dans la même situation que moi — une Radeon récente et l'envie de faire tourner de l'IA en local sous Windows — la conclusion honnête à ce stade est qu'il existe plusieurs chemins documentés, dont un officiellement supporté par AMD, et qu'aucun ne te dispense de vérifier que ton logiciel précis est couvert.
→ Voir aussi : Windows 11 : ce que corrige le patch d'urgence de septembre
Questions fréquentes
Peut-on faire tourner CUDA sur une carte AMD ?
Partiellement, via une couche de traduction comme ZLUDA, qui exécute des applications CUDA non modifiées sur des GPU AMD supportés. Ce n'est pas une compatibilité CUDA complète : la couverture dépend des bibliothèques utilisées par l'application.
La RX 9060 XT est-elle supportée officiellement par AMD pour l'IA ?
Oui pour le paquet AMD Software: PyTorch on Windows Edition 7.2, dont les notes de version listent la RX 9060 XT parmi les cartes compatibles, aux côtés des RX 9070, RX 9070 XT, Radeon AI PRO R9700, RX 7900 XTX et Radeon PRO W7900.
Faut-il passer sous Linux pour faire de l'IA sur Radeon ?
Pas forcément. AMD publie une voie Windows documentée pour PyTorch. Cela dit, la pile ROCm exposée sous Windows reste plus réduite que sous Linux, notamment sur les bibliothèques IA comme MIOpen, ce qui peut bloquer certains logiciels.
Combien de VRAM faut-il pour de l'IA locale ?
Cela dépend entièrement du modèle chargé. La VRAM est la contrainte principale : c'est elle qui décide de la taille du modèle que tu peux faire tenir sur la carte. C'est la raison pour laquelle je suis passé sur 16 Go.
Ce guide vaut-il pour toutes les Radeon ?
Non. Les listes de compatibilité d'AMD sont nominatives, et le projet communautaire que je cite n'a validé qu'une seule carte. Vérifie ta référence exacte plutôt que de te fier à la génération.