[{"data":1,"prerenderedAt":1321},["ShallowReactive",2],{"blog-post-nl-\u002Fblog\u002Fpaiton-minimax-h3-image-radeon-ai-pro-r9700":3,"blog-posts-sidebar-nl":732},{"id":4,"title":5,"body":6,"categories":714,"date":719,"description":720,"extension":721,"heading":5,"image":722,"meta":723,"navigation":724,"originalUrl":725,"path":726,"seo":727,"slug":728,"socialImage":722,"stem":729,"updated":730,"video":730,"__hash__":731},"blogNl\u002Fblog\u002Fpaiton-minimax-h3-image-radeon-ai-pro-r9700.md","MiniMax-H3-Image op één R9700",{"type":7,"value":8,"toc":697},"minimark",[9,16,33,36,39,80,85,93,96,99,102,105,109,112,119,205,208,211,214,218,221,227,232,235,239,242,245,249,252,255,259,262,266,269,272,278,361,381,384,387,390,393,441,444,450,453,459,463,466,472,478,484,490,493,497,516,520,529,577,584,591,619,622,653,662,666,674,677,680,693],[10,11,12],"p",{},[13,14,15],"em",{},"Bovenaan: een concertposter in zeefdrukstijl, gemaakt door MiniMax-H3-Image op één R9700. Alle bandnamen, de datums en de ticketregel zijn correct gespeld.",[10,17,18,19,26,27,32],{},"MiniMax-H3-Image draait nu op één AMD Radeon AI PRO R9700 van 32 GB. Een afbeelding van 2048 x 2048 duurt 6,9 s en een afbeelding van 4096 x 4096 duurt 33,4 s, met de vermogenslimiet van de kaart op 300 W. De FP8-gewichten staan op ",[20,21,25],"a",{"href":22,"rel":23},"https:\u002F\u002Fhuggingface.co\u002FEliovpAI\u002FMiniMax-H3-Image-FP8-Paiton-RDNA4",[24],"nofollow","Hugging Face"," en de container staat in onze ",[20,28,31],{"href":29,"rel":30},"https:\u002F\u002Fgithub.com\u002FEliovp-BV\u002Fpaiton-vllm-plugin",[24],"paiton-vllm-plugin-repository",".",[10,34,35],{},"De gewichten die voor inferentie nodig zijn, nemen op hun oorspronkelijke precisie ongeveer 120 GB in: het beeldcheckpoint en de eerste 50 lagen van de tekstencoder. Dat is niet de downloadgrootte van het volledige model met alle tekstencoderlagen. Hieronder leggen we uit wat het model doet, waarom het niet op een R9700 past, wat we hebben gebouwd om dat mogelijk te maken en hoe we de beelden met het origineel hebben vergeleken.",[10,37,38],{},"De voorbeeldafbeeldingen zijn gegenereerd in een afgeschermde R9700-testomgeving. Dit artikel gaat over de optimalisatie van de uitvoering van het model.",[10,40,41,42,46,47,46,51,46,55,46,59,46,63,46,67,46,71,75,76,32],{},"In dit artikel: ",[20,43,45],{"href":44},"#wat-minimax-h3-image-is","het model",", ",[20,48,50],{"href":49},"#waarom-het-niet-op-een-r9700-past","geheugen",[20,52,54],{"href":53},"#wat-we-hebben-gebouwd","de runtime",[20,56,58],{"href":57},"#snelheid","snelheid",[20,60,62],{"href":61},"#kwaliteit","kwaliteit",[20,64,66],{"href":65},"#meer-voorbeelden","voorbeelden",[20,68,70],{"href":69},"#beperkingen-van-deze-build","beperkingen",[20,72,74],{"href":73},"#zelf-proberen","zelf proberen"," en ",[20,77,79],{"href":78},"#licentie","de licentie",[81,82,84],"h2",{"id":83},"wat-minimax-h3-image-is","Wat MiniMax-H3-Image is",[10,86,87,92],{},[20,88,91],{"href":89,"rel":90},"https:\u002F\u002Fhuggingface.co\u002FMiniMaxAI\u002FMiniMax-H3-Image",[24],"MiniMax-H3-Image"," is MiniMax' model met openbaar beschikbare gewichten voor het genereren en bewerken van afbeeldingen. Drie eigenschappen vallen op tegenover de andere open beeldmodellen die we tot nu toe hebben gedraaid.",[10,94,95],{},"Het maakt grote afbeeldingen rechtstreeks. MiniMax geeft een werkbereik van 4 tot 20 MP en zegt dat het model het best werkt rond 16 MP, bijvoorbeeld 4096 x 4096 (1:1) of 5472 x 3072 (16:9), zonder upscaler in de pipeline. MiniMax vergelijkt dat met de 1 tot 4 MP die vandaag gebruikelijk is bij open modellen.",[10,97,98],{},"Het heeft maar 6 samplingstappen nodig, zonder classifier-free guidance. Het checkpoint is gedistilleerd tot zes transformerpasses per afbeelding. Veel andere modellen gebruiken 20 tot 50 stappen en twee passes per stap wanneer guidance aanstaat.",[10,100,101],{},"Eén checkpoint kan zowel afbeeldingen genereren als bewerken, met maximaal 16 referentieafbeeldingen. Het model is ook goed in tekst binnen afbeeldingen: op posters, borden, menu's en handgeschreven notities is de spelling in de meeste van onze tests correct.",[10,103,104],{},"De architectuur is een single-stream diffusion transformer met 33,1 miljard parameters, 50 blokken, een hidden size van 5376 en 56 attention heads. De prompt en eventuele referentieafbeeldingen gaan door een Qwen3-VL-tekstencoder; de referentieafbeeldingen gaan ook door de beeld-VAE. Alles wordt daarna samengevoegd tot één tokenreeks. Bij 16 MP telt die ongeveer 16.400 tokens, en elk blok voert volledige attention uit over de hele reeks.",[81,106,108],{"id":107},"waarom-het-niet-op-een-r9700-past","Waarom het niet op een R9700 past",[10,110,111],{},"De transformergewichten zijn BF16. Het beeldcheckpoint is 68,65 GB, inclusief de VAE; de transformerbestanden zelf zijn 66,28 GB. De eerste 50 lagen van de Qwen3-VL-tekstencoder van 32 miljard parameters voegen ongeveer 52 GB toe. De R9700 heeft 32 GB.",[10,113,114],{},[115,116],"img",{"alt":117,"src":118},"Staafdiagram: het oorspronkelijke beeldcheckpoint inclusief VAE en de eerste 50 tekstencoderlagen nemen samen ongeveer 120,7 GB in. De Paiton-build piekt op 29,6 GB GPU-geheugen, binnen de 32 GB van de R9700.","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002Fmemory-nl.webp",[120,121,122,139],"table",{},[123,124,125],"thead",{},[126,127,128,132,135],"tr",{},[129,130,131],"th",{},"Configuratie",[129,133,134],{},"Onderdeel",[129,136,138],{"align":137},"right","Geheugen",[140,141,142,154,164,174,185,195],"tbody",{},[126,143,144,148,151],{},[145,146,147],"td",{},"Oorspronkelijke precisie",[145,149,150],{},"Beeldcheckpoint, inclusief VAE",[145,152,153],{"align":137},"68,7 GB",[126,155,156,158,161],{},[145,157,147],{},[145,159,160],{},"Eerste 50 tekstencoderlagen",[145,162,163],{"align":137},"52,0 GB",[126,165,166,168,171],{},[145,167,147],{},[145,169,170],{},"Werkgewichten samen",[145,172,173],{"align":137},"120,7 GB",[126,175,176,179,182],{},[145,177,178],{},"Paiton",[145,180,181],{},"FP8-transformergewichten op de GPU",[145,183,184],{"align":137},"20,3 GB",[126,186,187,189,192],{},[145,188,178],{},[145,190,191],{},"Activaties, VAE en tekstencoderlagen op de GPU",[145,193,194],{"align":137},"9,3 GB",[126,196,197,199,202],{},[145,198,178],{},[145,200,201],{},"Piek op de GPU",[145,203,204],{"align":137},"29,6 GB",[10,206,207],{},"De 24,4 GB aan tekstencoderlagen in vastgezet hostgeheugen is niet inbegrepen in het GPU-totaal. De oorspronkelijke werkgewichten en de piek van de Paiton-runtime zijn verschillende grootheden: de Paiton-piek omvat ook activaties.",[10,209,210],{},"Het laden van de BF16-gewichten op de kaart stopt vóór de eerste stap. Ze naar het systeemgeheugen verplaatsen zou bij elk van de zes stappen tientallen gigabytes over PCIe sturen; die aanpak hebben we niet geprobeerd. MiniMax raadt onder meer SGLang, vLLM-Omni, diffusers en ComfyUI aan voor lokaal gebruik. Die kunnen het BF16-checkpoint laden.",[10,212,213],{},"Ook gewone FP8 is op zichzelf niet genoeg. Een FP8-transformer en een FP8-tekstencoder komen samen op ongeveer 47 GB.",[81,215,217],{"id":216},"wat-we-hebben-gebouwd","Wat we hebben gebouwd",[10,219,220],{},"We hebben een native runtime geschreven voor de tekstencoder, transformer en VAE, met een HTTP-server die dezelfde verzoeken aanneemt als MiniMax' eigen voorbeelden. Het model draait in HIP en C++ op de kernels van Paiton, zonder PyTorch of Triton. De containerimage is 2,27 GB.",[10,222,223],{},[115,224],{"alt":225,"src":226},"Schema van één verzoek. De prompt en maximaal drie referentieafbeeldingen gaan door de FP8-tekstencoder, waarvan de lagen uit 24,4 GB vastgezet hostgeheugen worden gestreamd. De tokens gaan naar de transformer: 6 stappen met 19,3 miljard FP8-parameters op de kaart, vooraf berekende AdaLN-tabellen, INT8\u002FFP8-attention en één HIP graph per stap. De INT8-VAE-decoder zet de latent om in een PNG.","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002Fpipeline-nl.webp",[228,229,231],"h3",{"id":230},"adaln-tabellen-in-plaats-van-adaln-gewichten","AdaLN-tabellen in plaats van AdaLN-gewichten",[10,233,234],{},"Elk transformerblok heeft een modulatieprojectie (AdaLN) die de timestep omzet in schalingen en verschuivingen voor dat blok. Over de 50 blokken bevatten die projecties ongeveer 13 miljard van de 33,1 miljard parameters. Hun enige invoer is de timestep. Het gedistilleerde model gebruikt altijd dezelfde zes timesteps. Daarom voeren we de projecties vooraf één keer uit voor die zes waarden en slaan we de resultaten op in kleine tabellen. Het resultaat is exact, en 13 miljard parameters hoeven nooit naar de GPU. Er blijven 19,3 miljard parameters op de kaart over.",[228,236,238],{"id":237},"fp8-gewichten-en-activaties-afgerond-met-gptq","FP8-gewichten en -activaties, afgerond met GPTQ",[10,240,241],{},"De overige projecties draaien in FP8 E4M3: één schaal per uitvoerkanaal voor de gewichten en één per token voor de activaties. Daardoor lopen de matrixvermenigvuldigingen op de FP8-eenheden van de R9700. De transformer neemt 20,3 GB in.",[10,243,244],{},"We hebben verschillende manieren geprobeerd om de FP8-gewichten te kiezen, met BF16-activaties als referentie. SmoothQuant en clipping op basis van de gemiddelde kwadratische fout leverden niets op voor FP8 E4M3. Afronden met GPTQ verminderde de fout van elke matrixvermenigvuldiging met 19 tot 31% tegenover gewoon afronden. Dat gebruiken we in de release. Een variant met 4-bitsgewichten draaide even snel, maar had dubbel zoveel fout. Daarom hebben we FP8 behouden.",[228,246,248],{"id":247},"een-tekstencoder-die-uit-het-hostgeheugen-streamt","Een tekstencoder die uit het hostgeheugen streamt",[10,250,251],{},"De 50 lagen van de tekstencoder zijn ook FP8 en nemen samen 24,4 GB in. Ze staan in vastgezet hostgeheugen en worden voor elk verzoek naar de kaart gekopieerd. Als er ruimte is, blijven maximaal 12 lagen op de kaart staan. De encoder draait één keer per afbeelding en kost 0,7 tot 0,9 s per verzoek.",[10,253,254],{},"Zo dicht tegen de geheugenlimiet van de kaart werken veroorzaakte één probleem. In vroege tests vielen 3 van de 54 denoisingstappen stil doordat de GPU-driver onze buffers uit het bijna volle VRAM verwijderde. Een limiet van 27,5 GiB voor de runtime verholp dat: 0 van de 60 stappen vielen nog stil.",[228,256,258],{"id":257},"attention-en-de-vae","Attention en de VAE",[10,260,261],{},"Attention gebruikt INT8 voor Q en K en FP8 voor P en V. In afzonderlijke tests was het laatste transformerblok daar het gevoeligst voor. Daarom hebben we exacte attention voor individuele blokken getest. Over de volledige pipeline kwamen de afbeeldingen daarmee niet dichter bij BF16 uit, dus gebruikt elk blok de kernel met lagere precisie. De VAE-decoder gebruikt INT8-gewichten en decodeert tegels van 256 px, met dezelfde overlap en blending als de referentie.",[228,263,265],{"id":264},"waar-de-tijd-naartoe-gaat","Waar de tijd naartoe gaat",[10,267,268],{},"Elk van de zes stappen is één HIP graph. Bij 16 MP duurt een stap ongeveer 5,2 s. In ons profiel namen de projectie-GEMMs ongeveer 3,0 s per stap in, op 65 tot 68% van de FP8-piek van de kaart. Attention nam ongeveer 2,3 s in. De tekstencoder voegt 0,7 tot 0,9 s per verzoek toe en de VAE-decoder ongeveer 0,75 s bij 16 MP. Het piekgeheugengebruik is 27,6 GiB.",[81,270,271],{"id":58},"Snelheid",[10,273,274],{},[115,275],{"alt":276,"src":277},"Staafdiagram van de gemeten verwerkingstijd op één R9700: 2048 x 2048 genereren in 6,9 s en 4096 x 4096 in 33,4 s. Bewerken duurt 39,9 s bij 4096 x 4096 met één referentie, 50,1 s bij 4736 x 3552 met één referentie en 88,5 s bij 4096 x 4096 met drie referenties.","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002Ftimes-nl.webp",[120,279,280,296],{},[123,281,282],{},[126,283,284,287,290,293],{},[129,285,286],{},"Verzoek",[129,288,289],{},"Formaat",[129,291,292],{"align":137},"Referentieafbeeldingen",[129,294,295],{"align":137},"Tijd",[140,297,298,312,324,337,349],{},[126,299,300,303,306,309],{},[145,301,302],{},"Genereren uit tekst",[145,304,305],{},"2048 x 2048",[145,307,308],{"align":137},"0",[145,310,311],{"align":137},"6,9 s",[126,313,314,316,319,321],{},[145,315,302],{},[145,317,318],{},"4096 x 4096",[145,320,308],{"align":137},[145,322,323],{"align":137},"33,4 s",[126,325,326,329,331,334],{},[145,327,328],{},"Bewerken",[145,330,318],{},[145,332,333],{"align":137},"1",[145,335,336],{"align":137},"39,9 s",[126,338,339,341,344,346],{},[145,340,328],{},[145,342,343],{},"4736 x 3552",[145,345,333],{"align":137},[145,347,348],{"align":137},"50,1 s",[126,350,351,353,355,358],{},[145,352,328],{},[145,354,318],{},[145,356,357],{"align":137},"3",[145,359,360],{"align":137},"88,5 s",[10,362,363],{},[13,364,365,366,371,372,371,377,32],{},"Eén R9700, vermogenslimiet van 300 W, zes stappen. ",[20,367,370],{"href":368,"rel":369},"https:\u002F\u002Fgithub.com\u002FEliovp-BV\u002Fpaiton-vllm-plugin\u002Fblob\u002Fmain\u002Fmodels\u002FMiniMax-H3-Image\u002Fresults\u002Fcontainer-e2e-gptq-20261111.jsonl",[24],"Gepubliceerde metingen"," · ",[20,373,376],{"href":374,"rel":375},"https:\u002F\u002Fgithub.com\u002FEliovp-BV\u002Fpaiton-vllm-plugin\u002Fblob\u002Fmain\u002Fmodels\u002FMiniMax-H3-Image\u002Fpaiton_h3i\u002Fserver.py#L92",[24],"Afbakening van de meting",[20,378,380],{"href":379},"\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002Fresults.json","Grafiekdata",[10,382,383],{},"De tijden meten de native modelpipeline tot de afgewerkte PNG, inclusief het verkleinen van de uitvoer wanneer dat nodig is. De server is opgewarmd en de vermogenslimiet van de kaart staat op 300 W. Het voorverwerken van het verzoek, wachten in de wachtrij en het overdragen van het antwoord vallen buiten de meting.",[10,385,386],{},"Afbeeldingen kleiner dan 4 MP worden op een canvas van 4 MP gemaakt en daarna verkleind, zoals in MiniMax' pipeline. Daarom duurt een verzoek voor 1024 x 1024 ongeveer 7,1 s. Elke referentieafbeelding voegt tokens toe aan de reeks, waardoor bewerkingen langer duren.",[81,388,389],{"id":62},"Kwaliteit",[10,391,392],{},"We hebben onze build op 30 gevallen vergeleken met het BF16-model in diffusers: 24 tekstprompts van 4 tot 17 MP in verschillende beeldverhoudingen en 6 bewerkingen met 1 tot 3 referentieafbeeldingen. Beide gebruikten dezelfde token-ID's en dezelfde startruis, zodat verschillen uit de numerieke berekeningen komen.",[120,394,395,408],{},[123,396,397],{},[126,398,399,402,405],{},[129,400,401],{},"Maatstaf",[129,403,404],{"align":137},"BF16",[129,406,407],{"align":137},"Onze FP8-build",[140,409,410,421,431],{},[126,411,412,415,418],{},[145,413,414],{},"CLIP-L-score voor tekst-beeld, gemiddelde",[145,416,417],{"align":137},"32,31",[145,419,420],{"align":137},"32,18",[126,422,423,426,428],{},[145,424,425],{},"CLIP-L-gelijkenis met het BF16-beeld, gemiddeld \u002F laagst",[145,427],{"align":137},[145,429,430],{"align":137},"0,979 \u002F 0,855",[126,432,433,436,438],{},[145,434,435],{},"DINOv2-gelijkenis met het BF16-beeld, gemiddeld \u002F laagst",[145,437],{"align":137},[145,439,440],{"align":137},"0,945 \u002F 0,699",[10,442,443],{},"De tekst-beeldscore valt binnen de spreiding tussen de testgevallen. De meeste verschillen zitten in de compositie: bij zes samplingstappen kunnen kleine numerieke veranderingen het traject wijzigen. Sommige afbeeldingen zijn daardoor anders opgebouwd, terwijl ze dezelfde inhoud tonen. Tekst, gezichten en productfoto's werden in deze tests correct weergegeven.",[10,445,446],{},[115,447],{"alt":448,"src":449},"Naast elkaar: een krijtbordmenu van het BF16-model en van onze FP8-build, met dezelfde prompt en ruis. Beide tonen \"TODAY'S SPECIALS\", Tomato soup 4.50, Grilled cheese 6.00, Caesar salad 7.50, Lemon tart 3.80 en Flat white 3.20. Alleen de kleine krijttekeningen verschillen.","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002F05-compare-menu.jpg",[10,451,452],{},"Bewerkingen blijven het dichtst bij BF16, met een beeldgelijkenis van 0,96 tot 0,999.",[10,454,455],{},[115,456],{"alt":457,"src":458},"Drie panelen: de oorspronkelijke winkelgevel, de BF16-bewerking en onze FP8-bewerking. De prompt vroeg om het opschrift te veranderen in \"PADARIA LUA\" en de deur geel te schilderen. Beide bewerkingen doen dat en zijn bijna identiek.","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002F06-compare-edit.jpg",[81,460,462],{"id":461},"meer-voorbeelden","Meer voorbeelden",[10,464,465],{},"Alle voorbeelden zijn gemaakt met de vrijgegeven gewichten op 4096 x 4096, in ongeveer 34 s per afbeelding. Hier worden ze verkleind tot 2048 x 2048 getoond. Voor elke prompt kozen we de beste van twee seeds.",[10,467,468],{},[115,469],{"alt":470,"src":471},"Close-upportret van een oudere vissersvrouw met diepe rimpels, sproeten, grijs haar dat in de wind waait en een mosterdkleurige gebreide trui.","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002F07-portrait.jpg",[10,473,474],{},[115,475],{"alt":476,"src":477},"De etalage van een oude boekhandel in de schemering, met gouden letters \"OWL & LANTERN BOOKS\" en \"Rare · Used · New since 1952\", en handgeschreven kaartjes in het raam.","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002F08-bookshop.jpg",[10,479,480],{},[115,481],{"alt":482,"src":483},"Een 3D-render van vijf vormen op de gevraagde plaatsen: een rode kubus op een blauwe bol, een groene cilinder links, een gele kegel erachter en een paarse piramide rechts vooraan.","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002F09-shapes.jpg",[10,485,486],{},[115,487],{"alt":488,"src":489},"De voorpagina van een krant op een cafétafel, met de naam \"The Harbor Gazette\" en de kop \"CITY OPENS NEW HARBOR BRIDGE\".","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002F10-newspaper.jpg",[10,491,492],{},"Niet alles lukt. Kleine lopende tekst, zoals de krantenkolommen en sommige boekruggen, lijkt vanop afstand op schrift maar bestaat niet uit echte woorden. Handen in close-up, een klok die op drie uur moest staan en een paard dat op de rug van een astronaut moest rijden, kwamen in onze tests verkeerd uit.",[81,494,496],{"id":495},"beperkingen-van-deze-build","Beperkingen van deze build",[498,499,500,504,507,510,513],"ul",{},[501,502,503],"li",{},"Prompts zijn beperkt tot 4.096 tokens. Elke referentieafbeelding van 1024 px gebruikt er ongeveer 1.000, dus een bewerking kan ongeveer drie referenties aan, niet de 16 van het model. Een hogere limiet vraagt meer geheugen voor de tekstencoder; hoeveel hebben we niet gemeten.",[501,505,506],{},"Het grootste canvas is 16,8 MP (4736 x 3552). MiniMax' 21:9-formaat rond 16 MP (6272 x 2688) is iets groter en past niet naast de gewichten.",[501,508,509],{},"Verzoeken worden één voor één uitgevoerd.",[501,511,512],{},"De host heeft 64 GB RAM nodig, omdat de tekstencoder uit vastgezet geheugen streamt, en 48 GB schijfruimte voor de gewichten.",[501,514,515],{},"Dezelfde seed geeft dezelfde ruis als de diffusers-pipeline, met hoogstens een verschil in het laatste bit van elke waarde. Afbeeldingen liggen daardoor dicht bij BF16-uitvoer met dezelfde seed, maar zijn niet bit-identiek.",[81,517,519],{"id":518},"zelf-proberen","Zelf proberen",[10,521,522,523,528],{},"U hebt een R9700, een ROCm-compatibele kerneldriver, Docker en Python 3 op de host nodig. Lees eerst de ",[20,524,527],{"href":525,"rel":526},"https:\u002F\u002Fhuggingface.co\u002FMiniMaxAI\u002FMiniMax-H3-Image\u002Fblob\u002Fmain\u002FLICENSE",[24],"modellicentie"," en controleer welke toestemming voor uw gebruik nodig is.",[530,531,536],"pre",{"className":532,"code":533,"language":534,"meta":535,"style":535},"language-bash shiki shiki-themes github-light github-dark","git clone --depth 1 https:\u002F\u002Fgithub.com\u002FEliovp-BV\u002Fpaiton-vllm-plugin.git\ncd paiton-vllm-plugin\n.\u002Fmodels\u002FMiniMax-H3-Image\u002Flaunch.sh\n","bash","",[537,538,539,562,571],"code",{"__ignoreMap":535},[540,541,544,548,552,556,559],"span",{"class":542,"line":543},"line",1,[540,545,547],{"class":546},"sScJk","git",[540,549,551],{"class":550},"sZZnC"," clone",[540,553,555],{"class":554},"sj4cs"," --depth",[540,557,558],{"class":554}," 1",[540,560,561],{"class":550}," https:\u002F\u002Fgithub.com\u002FEliovp-BV\u002Fpaiton-vllm-plugin.git\n",[540,563,565,568],{"class":542,"line":564},2,[540,566,567],{"class":554},"cd",[540,569,570],{"class":550}," paiton-vllm-plugin\n",[540,572,574],{"class":542,"line":573},3,[540,575,576],{"class":546},".\u002Fmodels\u002FMiniMax-H3-Image\u002Flaunch.sh\n",[10,578,579,580,583],{},"De eerste start downloadt 48 GB aan gewichten van Hugging Face en controleert elk bestand aan de hand van zijn SHA-256. De server neemt verzoeken aan zodra ",[537,581,582],{},"READY http:\u002F\u002F0.0.0.0:30000"," verschijnt.",[10,585,586,587,590],{},"Open dan een tweede terminal in de map ",[537,588,589],{},"paiton-vllm-plugin"," om een afbeelding te genereren:",[530,592,594],{"className":532,"code":593,"language":534,"meta":535,"style":535},".\u002Fmodels\u002FMiniMax-H3-Image\u002Frun.sh generate \"A red fox in fresh snow at sunrise\" --size 4096x4096 --out fox.png\n",[537,595,596],{"__ignoreMap":535},[540,597,598,601,604,607,610,613,616],{"class":542,"line":543},[540,599,600],{"class":546},".\u002Fmodels\u002FMiniMax-H3-Image\u002Frun.sh",[540,602,603],{"class":550}," generate",[540,605,606],{"class":550}," \"A red fox in fresh snow at sunrise\"",[540,608,609],{"class":554}," --size",[540,611,612],{"class":550}," 4096x4096",[540,614,615],{"class":554}," --out",[540,617,618],{"class":550}," fox.png\n",[10,620,621],{},"Of bewerk een bestaande afbeelding:",[530,623,625],{"className":532,"code":624,"language":534,"meta":535,"style":535},".\u002Fmodels\u002FMiniMax-H3-Image\u002Frun.sh edit \"Make \u003CPicture 1> a watercolor painting\" --image photo.png --size 2048x2048 --out edit.png\n",[537,626,627],{"__ignoreMap":535},[540,628,629,631,634,637,640,643,645,648,650],{"class":542,"line":543},[540,630,600],{"class":546},[540,632,633],{"class":550}," edit",[540,635,636],{"class":550}," \"Make \u003CPicture 1> a watercolor painting\"",[540,638,639],{"class":554}," --image",[540,641,642],{"class":550}," photo.png",[540,644,609],{"class":554},[540,646,647],{"class":550}," 2048x2048",[540,649,615],{"class":554},[540,651,652],{"class":550}," edit.png\n",[10,654,655,656,661],{},"De ",[20,657,660],{"href":658,"rel":659},"https:\u002F\u002Fgithub.com\u002FEliovp-BV\u002Fpaiton-vllm-plugin\u002Ftree\u002Fmain\u002Fmodels\u002FMiniMax-H3-Image",[24],"handleiding"," beschrijft de volledige API en de instellingen.",[81,663,665],{"id":664},"licentie","Licentie",[10,667,668,669,673],{},"Het model valt onder de ",[20,670,672],{"href":525,"rel":671},[24],"MiniMax-H3-Image Community License",". Die geldt niet in de Europese Unie, het Verenigd Koninkrijk, de Republiek Korea of de Verenigde Staten. De territoriale beperkingen gelden ook voor het gebruiken, verspreiden en tonen van gegenereerde uitvoer.",[10,675,676],{},"Commerciële producten en diensten die het model gebruiken, moeten \"MiniMax-H3-Image\" duidelijk in hun gebruikersinterface tonen. Voor gehoste diensten aan derden is voorafgaande schriftelijke toestemming van MiniMax nodig. Dat geldt ook wanneer de op jaarbasis berekende omzet van de licentiehouder en\u002Fof verbonden ondernemingen hoger is dan US$1 miljoen.",[10,678,679],{},"Controleer vóór gebruik de volledige licentie en verkrijg de vereiste toestemming. Wij hebben geen controle over hoe anderen het model gebruiken en volgen dat ook niet.",[10,681,682,683,687,688,692],{},"Meer over de runtime vindt u op de ",[20,684,686],{"href":685},"\u002Fnl\u002Fproducts\u002Fpaiton","Paiton-productpagina",". Voor video met geluid op dezelfde kaart kunt u ons artikel over ",[20,689,691],{"href":690},"\u002Fnl\u002Fblog\u002Fpaiton-minimax-h3-radeon-ai-pro-r9700","MiniMax H3 op de R9700"," lezen.",[694,695,696],"style",{},"html pre.shiki code .sScJk, html code.shiki .sScJk{--shiki-default:#6F42C1;--shiki-dark:#B392F0}html pre.shiki code .sZZnC, html code.shiki .sZZnC{--shiki-default:#032F62;--shiki-dark:#9ECBFF}html pre.shiki code .sj4cs, html code.shiki .sj4cs{--shiki-default:#005CC5;--shiki-dark:#79B8FF}html .default .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .dark .shiki span {color: var(--shiki-dark);background: var(--shiki-dark-bg);font-style: var(--shiki-dark-font-style);font-weight: var(--shiki-dark-font-weight);text-decoration: var(--shiki-dark-text-decoration);}html.dark .shiki span {color: var(--shiki-dark);background: var(--shiki-dark-bg);font-style: var(--shiki-dark-font-style);font-weight: var(--shiki-dark-font-weight);text-decoration: var(--shiki-dark-text-decoration);}",{"title":535,"searchDepth":564,"depth":564,"links":698},[699,700,701,708,709,710,711,712,713],{"id":83,"depth":564,"text":84},{"id":107,"depth":564,"text":108},{"id":216,"depth":564,"text":217,"children":702},[703,704,705,706,707],{"id":230,"depth":573,"text":231},{"id":237,"depth":573,"text":238},{"id":247,"depth":573,"text":248},{"id":257,"depth":573,"text":258},{"id":264,"depth":573,"text":265},{"id":58,"depth":564,"text":271},{"id":62,"depth":564,"text":389},{"id":461,"depth":564,"text":462},{"id":495,"depth":564,"text":496},{"id":518,"depth":564,"text":519},{"id":664,"depth":564,"text":665},[178,715,716,717,718],"AMD Radeon","Local AI","Image Generation","MiniMax","2026-11-12T10:00:00Z","MiniMax-H3-Image draait met Paiton op één Radeon AI PRO R9700 van 32 GB: 2048 x 2048 in 6,9 s en 4096 x 4096 in 33,4 s, met zes samplingstappen.","md","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3-image\u002F01-hero-concert.jpg",{},true,"https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-minimax-h3-image-radeon-ai-pro-r9700","\u002Fblog\u002Fpaiton-minimax-h3-image-radeon-ai-pro-r9700",{"title":5,"description":720},"paiton-minimax-h3-image-radeon-ai-pro-r9700","blog\u002Fpaiton-minimax-h3-image-radeon-ai-pro-r9700",null,"P-yB5wE0YdIiBbA_hW_tE1Y6pxQjoG8thr_KttCL2DM",[733,735,747,758,770,780,789,804,813,822,831,841,853,863,875,885,898,907,919,950,962,984,1002,1021,1040,1057,1074,1085,1101,1116,1128,1137,1145,1160,1172,1183,1194,1204,1217,1227,1240,1251,1261,1272,1281,1293,1303,1312],{"path":726,"title":5,"description":720,"date":719,"slug":728,"image":722,"originalUrl":725,"categories":734},[178,715,716,717,718],{"path":736,"title":737,"description":738,"date":739,"slug":740,"image":741,"originalUrl":742,"categories":743},"\u002Fblog\u002Fpaiton-kimi-k31-pro-amd-instinct-mi355x","Kimi-K3.1-Pro op 6 MI355X GPUs bij 800 W met Paiton","Kimi-K3.1-Pro op zes MI355X-GPU's bij elk 800 W. Paiton-doorvoer, vermogensmetingen, een aparte 1M-contexttest en een optie met vier GPU's.","2026-11-11T12:00:00Z","paiton-kimi-k31-pro-amd-instinct-mi355x","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-kimi31\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-kimi-k31-pro-amd-instinct-mi355x",[178,744,745,746],"AMD Instinct","Inference","Kimi",{"path":748,"title":749,"description":750,"date":751,"slug":752,"image":753,"originalUrl":754,"categories":755},"\u002Fblog\u002Fpaiton-idol-radeon-ai-pro-r9700","De Radeon AI PRO R9700 doet ook 3D: Idol in 16,4 seconden","Idol maakt een 3D Gaussian splat in 16,44 seconden op één Radeon AI PRO R9700 met Paiton, tegenover 39,22 seconden voor standaard-Idol op dezelfde GPU.","2026-11-06T09:00:00Z","paiton-idol-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-idol\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-idol-radeon-ai-pro-r9700",[178,715,756,757],"Lokale AI","3D-generatie",{"path":759,"title":760,"description":761,"date":762,"slug":763,"image":764,"originalUrl":765,"categories":766},"\u002Fblog\u002Fpaiton-deepseek-v41-flash-amd-instinct-mi350p","Deepseek V4.1 Flash op één MI350P","DeepSeek V4.1 Flash op één MI350P met 144 GB: 77,9 tokens\u002Fs bij één verzoek en 1.107,6 in een batch van 512, met Paiton en expertberekeningen op CPU.","2026-11-03T12:00:00Z","paiton-deepseek-v41-flash-amd-instinct-mi350p","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-deepseek-v41\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-deepseek-v41-flash-amd-instinct-mi350p",[178,744,767,768,769],"AI-inferentie","DeepSeek","Kwantisatie",{"path":771,"title":772,"description":773,"date":774,"slug":775,"image":776,"originalUrl":777,"categories":778},"\u002Fblog\u002Fpaiton-qwen38-flash-next-amd-instinct-mi350p","Qwen3.8 Flash Next op MI350P: dubbel zo snel | Paiton","Qwen3.8 Flash Next op één AMD MI350P: 2,24× de decodesnelheid van de geteste vLLM-configuratie bij één verzoek en circa 2,2 miljoen gedeelde KV-cachetokens.","2026-10-30T12:00:00Z","paiton-qwen38-flash-next-amd-instinct-mi350p","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-mi350p\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen38-flash-next-amd-instinct-mi350p",[178,744,767,779,769],"Qwen",{"path":781,"title":782,"description":783,"date":784,"slug":785,"image":786,"originalUrl":787,"categories":788},"\u002Fblog\u002Fpaiton-qwen38-3bit-accuracy-prefix-caching-mtp","Qwen3.8 Flash Next: 3-bit dicht bij 16-bit nauwkeurigheid, met MTP-prefixcaching","Paitons nieuwe 3-bit Qwen3.8-gewichten benaderen 16-bit taakscores op twee R9700-kaarten. Native MTP-prefixcaching hervat een prompt van 200K in 0,68 seconde. Resultaten, grenzen en installatie.","2026-10-24T18:45:00Z","paiton-qwen38-3bit-accuracy-prefix-caching-mtp","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-qwen38-3bit-mtp\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen38-3bit-accuracy-prefix-caching-mtp",[178,715,756,779,769],{"path":790,"title":791,"description":792,"date":793,"slug":794,"image":795,"originalUrl":796,"categories":797},"\u002Fblog\u002Fnvidia-dsx-pod-vera-rubin-modular-data-centers","Nvidia confirms the modular DC direction","NVIDIA DSX POD brengt Vera Rubin AI-fabrieken naar modulaire datacenters. ElioVP bespreekt terreinvoorbereiding, koeling en de aanpak achter ModFlex.","2026-10-21T13:00:00Z","nvidia-dsx-pod-vera-rubin-modular-data-centers","\u002Fasset\u002Fimages\u002Fblog\u002Fnvidia-dsx-pod-modflex\u002Fhero.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fnvidia-dsx-pod-vera-rubin-modular-data-centers",[798,799,800,801,802,803],"Modular DC","AI-infrastructuur","ModFlex","NVIDIA","Vera Rubin","Vloeistofkoeling",{"path":805,"title":806,"description":807,"date":808,"slug":809,"image":810,"originalUrl":811,"categories":812},"\u002Fblog\u002Fpaiton-qwen38-flash-next-4bit-radeon-ai-pro-r9700","Qwen3.8 Flash Next in 4-bit op 2 × Radeon R9700: getest tegenover 16-bit","Paiton draait Qwen3.8 Flash Next in 4-bit op twee R9700-kaarten: 96,8% GSM8K, 96,3% HumanEval, 189,8 tokens\u002Fs en een optionele RAM-prefixcache. Kwaliteit, snelheid en installatie.","2026-10-12T15:00:00Z","paiton-qwen38-flash-next-4bit-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-qwen38-flash-next-4bit\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen38-flash-next-4bit-radeon-ai-pro-r9700",[178,715,756,779,769],{"path":814,"title":815,"description":816,"date":817,"slug":818,"image":819,"originalUrl":820,"categories":821},"\u002Fblog\u002Fpaiton-qwen38-flash-next-radeon-ai-pro-r9700","Qwen3.8 Flash Next op 2 × Radeon AI PRO R9700: 216 tokens\u002Fs, 200K-context","Paiton draait Qwen3.8 Flash Next met 3-bit experts op twee R9700-kaarten: 216,3 tokens\u002Fs, 565,1 tokens\u002Fs samen en een aparte 200K-modus. Metingen, kwaliteit en installatie.","2026-10-10T10:30:00Z","paiton-qwen38-flash-next-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-qwen38-flash-next\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen38-flash-next-radeon-ai-pro-r9700",[178,715,756,779,769],{"path":823,"title":824,"description":825,"date":826,"slug":827,"image":828,"originalUrl":829,"categories":830},"\u002Fblog\u002Fpaiton-qwen38-w3a4-radeon-ai-pro-r9700","Qwen3.8 27B op 1 × Radeon AI PRO R9700: 3-bit gewichten, 20% snellere decode","Qwen3.8 27B op één R9700: 19,9% snellere gewogen decode, een nieuwe 4-bit cache, 200K-context en optionele beeldinvoer. Metingen en Paiton-installatie.","2026-09-27T09:00:00Z","paiton-qwen38-w3a4-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-qwen38-w3a4\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen38-w3a4-radeon-ai-pro-r9700",[178,715,756,779,769],{"path":832,"title":833,"description":834,"date":835,"slug":836,"image":837,"originalUrl":838,"categories":839},"\u002Fblog\u002Fpaiton-qwen-image-21-radeon-ai-pro-r9700","Qwen-Image 2.1 op 1 × Radeon AI PRO R9700: 2048×2048-beelden in 103 seconden","Genereer lokaal Qwen-Image 2.1-beelden van 2048×2048 pixels met 1 × Radeon AI PRO R9700. De Paiton v1.0.2-container mat 103,29 seconden per opgewarmd verzoek, inclusief de PNG-respons.","2026-09-23T09:00:00Z","paiton-qwen-image-21-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-qwen-image-21\u002Fhero-nl.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen-image-21-radeon-ai-pro-r9700",[178,715,756,840,779],"Beeldgeneratie",{"path":842,"title":843,"description":844,"date":845,"slug":846,"image":847,"originalUrl":848,"categories":849},"\u002Fblog\u002Fpaiton-qwen38-mxfp4-dflash2-r9700","Qwen3.8: 400,7 tok\u002Fs op één R9700 | Paiton","Qwen3.8 op één R9700: 400,7 tok\u002Fs met ROCm 10 en vLLM 0.29, plus publieke 200K\u002F220K-chatprofielen. Benchmarks, beperkingen en startopdrachten.","2026-09-16T07:30:00Z","paiton-qwen38-mxfp4-dflash2-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-qwen38-mxfp4\u002Fupdate-2026-09-19\u002Fhero.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen38-mxfp4-dflash2-r9700",[178,715,756,767,850,851,852],"Inferentie-optimalisatie","Grote taalmodellen","vLLM",{"path":854,"title":855,"description":856,"date":857,"slug":858,"image":859,"originalUrl":860,"categories":861},"\u002Fblog\u002Fpaiton-qwen38-neo-gguf-vllm-r9700","Qwen3.8 GGUF in vLLM: sneller antwoord op één Radeon","Draai de originele NEO CODER MAX GGUF met Paiton in vLLM op een R9700. Bekijk de gemeten responstijden, beeldinvoer en lokale installatie.","2026-09-14T07:30:00Z","paiton-qwen38-neo-gguf-vllm-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-neo-gguf\u002F00-hero-neo-gguf-r9700.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen38-neo-gguf-vllm-r9700",[178,715,756,862,852],"GGUF",{"path":864,"title":865,"description":866,"date":867,"slug":868,"image":869,"originalUrl":870,"categories":871},"\u002Fblog\u002Fpaiton-minimax-h3-radeon-ai-pro-r9700","MiniMax H3 op Radeon: 15 seconden video met stereogeluid","Paiton genereert lokaal 15 seconden MiniMax H3-video met stereogeluid op één Radeon AI PRO R9700 in 5 min 33 s, met 16,7% minder wachttijd dan stock.","2026-09-09T07:30:00Z","paiton-minimax-h3-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-minimax-h3\u002F00-featured-minimax-h3-r9700.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-minimax-h3-radeon-ai-pro-r9700",[178,715,756,872,873,874],"Videogeneratie","MiniMax H3","ComfyUI",{"path":876,"title":877,"description":878,"date":879,"slug":880,"image":881,"originalUrl":882,"categories":883},"\u002Fblog\u002Fpaiton-flux2-klein-radeon-ai-pro-r9700","Lokale FLUX.2 klein op Radeon AI PRO R9700: sneller beelden genereren met minder VRAM","Paiton genereert FLUX.2 klein-beelden van 1024 × 1024 in 1,054 seconden op een R9700, met 16,2% minder generatietijd en 33,4% minder piekallocatie in Torch.","2026-09-07T09:00:00","paiton-flux2-klein-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-flux2-klein\u002Ffox-paiton.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-flux2-klein-radeon-ai-pro-r9700",[178,715,756,840,884,874],"FLUX",{"path":886,"title":887,"description":888,"date":889,"slug":890,"image":891,"originalUrl":892,"categories":893},"\u002Fblog\u002Fpaiton-ornith15-radeon-ai-pro-r9700","Ornith 1.5 haalt 44,6 tok\u002Fs op één Radeon AI PRO R9700","Paiton draait Ornith 1.5 35B A3B op één Radeon AI PRO R9700 met 44,63 outputtokens per seconde, 27% sneller en met 21,3% lagere gemodelleerde kosten.","2026-09-05T09:00:00","paiton-ornith15-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-ornith15\u002F00-featured-ornith15-r9700.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-ornith15-radeon-ai-pro-r9700",[178,894,715,767,895,896,850,851,852,897],"Kunstmatige intelligentie","GPU-prestaties","Inferentielatentie","Kostenefficiëntie",{"path":899,"title":900,"description":901,"date":902,"slug":903,"image":904,"originalUrl":905,"categories":906},"\u002Fblog\u002Fpaiton-qwen38-radeon-ai-pro-r9700","Paiton: 21% meer Qwen3.8-doorvoer op Radeon AI PRO R9700","Paiton draait AMD's Qwen3.8 27B op één Radeon AI PRO R9700 met 39,77 outputtokens per seconde. Dat levert 21% meer throughput en 17,4% lagere gemodelleerde kosten op.","2026-09-04T09:00:00","paiton-qwen38-radeon-ai-pro-r9700","\u002Fasset\u002Fimages\u002Fblog\u002Fpaiton-r9700\u002F00-featured-paiton-r9700.webp","https:\u002F\u002Feliovp.com\u002Fblog\u002Fpaiton-qwen38-radeon-ai-pro-r9700",[178,894,715,767,895,896,850,851,852,897],{"path":908,"title":909,"description":910,"date":911,"slug":912,"image":913,"originalUrl":730,"categories":914},"\u002Fblog\u002Fai-data-center-power-requirements-gpu-per-megawatt","Stroomvereisten voor AI-datacenters: de GPU-per-MW-illusie","Waarom verschillen GPU-aantallen per megawatt? Lees hoe PUE, piekbelasting, opslag, netwerken en koeling de inzetbare AI-capaciteit bepalen.","2026-07-27T23:52:00","ai-data-center-power-requirements-gpu-per-megawatt","\u002Fasset\u002Fimages\u002Fblog\u002Fai-data-center-power-requirements-gpu-per-megawatt\u002Fgpu-per-megawatt-illusion.webp",[915,799,916,800,917,918],"Alle","Datacenters","HPC","AMD Helios",{"path":920,"title":921,"description":922,"date":923,"slug":924,"image":925,"originalUrl":926,"categories":927},"\u002Fblog\u002Fpaiton-returns-to-its-diffusion-roots-optimizing-wan2-2-t2v-a14b-on-amd-mi355x","Wan2.2-videogeneratie: Paiton op AMD MI355X","Vergelijk Wan2.2-videogeneratie op AMD MI355X met Paiton en NVIDIA B200 via Diffusers. Lees hoe we diffusiemodellen optimaliseren.","2026-06-10T14:04:04","paiton-returns-to-its-diffusion-roots-optimizing-wan2-2-t2v-a14b-on-amd-mi355x","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fpaitonwan2.webp","https:\u002F\u002Feliovp.com\u002Fpaiton-returns-to-its-diffusion-roots-optimizing-wan2-2-t2v-a14b-on-amd-mi355x\u002F",[915,894,178,928,929,930,931,932,933,934,935,936,937,938,939,940,941,801,942,943,178,944,945,946,947,948,949],"14B","AMD","B200","Benchmarks","Blackwell","Compute","Diffusie","Eliovp","Generatieve AI","GPU","Hardware","Inferentie","Instinct","MI355x","On-premises","Optimalisatie","Soevereine AI","T2V","Tekst-naar-video","Tuning","Video-generatie","Wan2.2",{"path":951,"title":952,"description":953,"date":954,"slug":955,"image":956,"originalUrl":957,"categories":958},"\u002Fblog\u002Ffrom-the-attic-to-the-front-page-eliovp-recognized-as-a-pioneer-in-chip-optimization-data-center-infrastructure","ElioVP in De Tijd: chipoptimalisatie en datacenters","Lees hoe De Tijd ElioVP belicht, van de oorsprong in chipoptimalisatie tot het werk aan modulaire datacenters en koeling voor hoge vermogensdichtheid.","2026-02-10T20:48:12","from-the-attic-to-the-front-page-eliovp-recognized-as-a-pioneer-in-chip-optimization-data-center-infrastructure","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fphysicalnewspaper.webp","https:\u002F\u002Feliovp.com\u002Ffrom-the-attic-to-the-front-page-eliovp-recognized-as-a-pioneer-in-chip-optimization-data-center-infrastructure\u002F",[915,894,959,960,929,961,959,801],"Modulaire DC","Niet gecategoriseerd","De Tijd",{"path":963,"title":964,"description":965,"date":966,"slug":967,"image":968,"originalUrl":969,"categories":970},"\u002Fblog\u002Fprivacy-is-geen-it-probleem-meer-het-is-een-strategische-prioriteit","AI en privacy: een strategische prioriteit in de Benelux","Privacyrisico's van generatieve AI, vertrouwen, dataopslag en governance. Waarom bedrijven in de Benelux veilige AI strategisch moeten benaderen.","2026-01-29T13:51:11","privacy-is-geen-it-probleem-meer-het-is-een-strategische-prioriteit","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fheaderimage.webp","https:\u002F\u002Feliovp.com\u002Fprivacy-is-geen-it-probleem-meer-het-is-een-strategische-prioriteit\u002F",[915,894,971,960,972,973,974,975,976,977,978,979,935,980,936,981,982,983],"Trending","AI Act","Antropomorfisme","AVG","Benelux","ChatGPT","Cyberbeveiliging","Databeheer","Gegevensbeveiliging","GDPR","Microsoft Copilot","Privacy","Shadow AI",{"path":985,"title":986,"description":987,"date":988,"slug":989,"image":990,"originalUrl":991,"categories":992},"\u002Fblog\u002Fitsme-bij-ons-is-het-its-not-me-en-dit-is-waarom","Waarom wij itsme niet gebruiken: privacy en soevereiniteit","Waarom ElioVP itsme niet gebruikt: onze afwegingen rond identiteitsmetadata, cloudafhankelijkheid, privacy en datasoevereiniteit.","2025-11-27T09:32:14","itsme-bij-ons-is-het-its-not-me-en-dit-is-waarom","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Ffrontimage.webp","https:\u002F\u002Feliovp.com\u002Fitsme-bij-ons-is-het-its-not-me-en-dit-is-waarom\u002F",[915,993,994,995,977,996,997,998,980,999,1000,1001,982],"AWS","Belgian Mobile ID","CLOUD Act","Datasoevereiniteit","Digitale identiteit","eIDAS","itsme","Liberty Global","MyGov.be",{"path":1003,"title":1004,"description":1005,"date":1006,"slug":1007,"image":1008,"originalUrl":1009,"categories":1010},"\u002Fblog\u002Ffield-report-the-reality-of-building-agentic-ai-in-2025","Praktijkrapport: de realiteit van Agentic AI bouwen in 2025","Praktijklessen over lokale AI-agents in 2025 gaan in op workflowontwerp, observability, modeltraining, hallucinaties en GPU-geheugenlimieten.","2025-11-25T14:03:39","field-report-the-reality-of-building-agentic-ai-in-2025","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Ffieldreport.webp","https:\u002F\u002Feliovp.com\u002Ffield-report-the-reality-of-building-agentic-ai-in-2025\u002F",[915,894,1011,971,1012,1013,1014,1015,1016,1017,1018,1019,944,1020],"Oplossingen","Agentic AI","AI-techniek","AI-strategie","Autonome agenten","Bedrijfs-AI","Lokale LLM","Modelverfijning","AI op locatie","VRAM-optimalisatie",{"path":1022,"title":1023,"description":1024,"date":1025,"slug":1026,"image":1027,"originalUrl":1028,"categories":1029},"\u002Fblog\u002Fthe-synthetic-unicorn-bubble","De synthetische unicornzeepbel","Een analyse van investeringsrisico’s bij AI-neoclouds: circulaire financiering, infrastructuurclaims, contractvoorwaarden en due diligence.","2025-11-24T19:22:28","the-synthetic-unicorn-bubble","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fsyntheticunicorn.webp","https:\u002F\u002Feliovp.com\u002Fthe-synthetic-unicorn-bubble\u002F",[915,894,971,1030,1031,1032,1033,1034,1035,1036,1037,1038,1039],"AI Infrastructure","AI Neocloud","Circulaire financiering","GPU Cloud","Beleggingsrisico's","Opstartwaardering","Synthetische bubbel","Technische analyse","Vaporware","Durfkapitaal",{"path":1041,"title":1042,"description":1043,"date":1044,"slug":1045,"image":1046,"originalUrl":1047,"categories":1048},"\u002Fblog\u002Fbuilding-the-engine-for-the-ai-race-the-4-month-path-to-nvidia-gb300-nvl72-power","NVIDIA GB300 NVL72: modulair datacenter in vier maanden","Ontdek een modulair datacenterontwerp voor NVIDIA GB300 NVL72, met redundante voeding, hybride koeling en een bouwplanning van vier maanden.","2025-11-20T14:10:19","building-the-engine-for-the-ai-race-the-4-month-path-to-nvidia-gb300-nvl72-power","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fsuperpodmodflexfrontimage.webp","https:\u002F\u002Feliovp.com\u002Fbuilding-the-engine-for-the-ai-race-the-4-month-path-to-nvidia-gb300-nvl72-power\u002F",[915,959,960,1049,799,1050,1051,803,1052,1053,1054,1055,1056],"150 kW-rack","DLC","Hoge dichtheid","Modulair datacenter","NVIDIA Blackwell Ultra","NVIDIA GB300","NVL72","Snelle implementatie",{"path":1058,"title":1059,"description":1060,"date":1061,"slug":1062,"image":1063,"originalUrl":1064,"categories":1065},"\u002Fblog\u002Fwhy-cuda-translation-wont-unlock-amds-real-potential","CUDA-vertaling versus AMD-gerichte optimalisatie","Waarom CUDA-compatibiliteit niet hetzelfde is als AMD-prestaties: over ROCm, HIP, kerneloptimalisatie en hardwaregerichte afstemming.","2025-11-12T14:48:37","why-cuda-translation-wont-unlock-amds-real-potential","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fchatgpt-image-nov-11-2025-09_16_10-pm-1.webp","https:\u002F\u002Feliovp.com\u002Fwhy-cuda-translation-wont-unlock-amds-real-potential\u002F",[915,894,178,960,1066,894,1067,1068,1069,1070,1071,1072,178,1073],"AMD MI300X","CUDA-vertaling","FP8","GPU-optimalisatie","High-performance computing","HIP","Kerneltuning","ROCm",{"path":1075,"title":1076,"description":1077,"date":1078,"slug":1079,"image":1080,"originalUrl":1081,"categories":1082},"\u002Fblog\u002Fpaiton-the-simplest-way-to-supercharge-ai-inference","Paiton: snellere AI-inferentie in uw bestaande stack","Lees hoe Paiton aansluit op bestaande inferentiestacks, met AMD MI300X-benchmarks en vergelijkingen van prestaties per dollar.","2025-11-11T10:31:22","paiton-the-simplest-way-to-supercharge-ai-inference","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fpaiton-powaaah.webp","https:\u002F\u002Feliovp.com\u002Fpaiton-the-simplest-way-to-supercharge-ai-inference\u002F",[915,894,178,767,744,1066,897,1083,850,1072,178,1084,852],"Hoge throughput","SGLang",{"path":1086,"title":1087,"description":1088,"date":1089,"slug":1090,"image":1091,"originalUrl":1092,"categories":1093},"\u002Fblog\u002Fstop-overpaying-paiton-mi300x-moe-beats-h200-b200-on-1m-tokens","Paiton MoE-benchmarks: MI300X versus H200 en B200","Vergelijk Qwen3-30B-A3B MoE-benchmarks van MI300X met Paiton, H200 en B200: throughput en kosten per miljoen tokens.","2025-09-26T13:36:18","stop-overpaying-paiton-mi300x-moe-beats-h200-b200-on-1m-tokens","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fhulkvshulkpaitonwins.webp","https:\u002F\u002Feliovp.com\u002Fstop-overpaying-paiton-mi300x-moe-beats-h200-b200-on-1m-tokens\u002F",[915,894,178,1094,1066,1095,850,1096,1097,1098,1099,178,1100],"AI-benchmarks","Kosten per token","Mixture of Experts","MoE","NVIDIA B200","NVIDIA H200","Qwen3",{"path":1102,"title":1103,"description":1104,"date":1105,"slug":1106,"image":1107,"originalUrl":1108,"categories":1109},"\u002Fblog\u002Fagentic-ai-but-make-it-local-from-inbox-to-insight-to-action-en","Lokale Agentic AI: van inbox naar actie","Lokale AI-agents zetten e-mails, documenten en beelden om in tickets, rapporten en acties, met modellen op maat van uw gegevens en systemen.","2025-09-16T13:09:00","agentic-ai-but-make-it-local-from-inbox-to-insight-to-action-en","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Ffrontfotoblog.webp","https:\u002F\u002Feliovp.com\u002Fagentic-ai-but-make-it-local-from-inbox-to-insight-to-action-en\u002F",[915,894,1011,960,1012,1110,1111,1112,1113,1017,1019,944,1114,1115],"Schadedetectie","Documentverwerking","E-mailautomatisering","Factuurextractie","Ticketautomatisering","Workflowautomatisering",{"path":1117,"title":1118,"description":1119,"date":1120,"slug":1121,"image":1122,"originalUrl":1123,"categories":1124},"\u002Fblog\u002Fmi300x-fp8-data-parallel-benchmarks-8-64-gpus-h200-left-behind-b200-within-reach","MI300X FP8-benchmarks: GPU-partitionering met Paiton","Bekijk hoe Paiton presteert met Llama 3.1 8B FP8 op gepartitioneerde MI300X-GPU's, vergeleken met NVIDIA H200 en B200.","2025-07-31T13:32:57","mi300x-fp8-data-parallel-benchmarks-8-64-gpus-h200-left-behind-b200-within-reach","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fimage-2-1.webp","https:\u002F\u002Feliovp.com\u002Fmi300x-fp8-data%e2%80%91parallel-benchmarks-8-64-gpus-h200-left-behind-b200-within-reach\u002F",[915,894,178,960,1125,929,930,1126,1127,941,801,178,852],"AI","H200","MI300X",{"path":1129,"title":1130,"description":1131,"date":1132,"slug":1133,"image":1134,"originalUrl":1135,"categories":1136},"\u002Fblog\u002Fapplicable-ai-for-businesses","Toepasbare AI voor bedrijven","Ontdek hoe ElioVP lokale AI voor bedrijfsprocessen bouwt, met modeltraining op maat en automatische schadedetectie voor de logistiek.","2025-07-09T21:35:30","applicable-ai-for-businesses","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fscherm_afbeelding-2025-07-09-om-23.30.17.webp","https:\u002F\u002Feliovp.com\u002Fapplicable-ai-for-businesses\u002F",[915,894,1011,1012,1110,1111,1112,1113,1017,1019,944,1114,1115],{"path":1138,"title":1139,"description":1140,"date":1141,"slug":1142,"image":535,"originalUrl":1143,"categories":1144},"\u002Fblog\u002Fintroducing-paitons-free-evaluation-models","Maak kennis met de gratis evaluatiemodellen van Paiton","Test Paiton met gratis evaluatiemodellen voor AMD-GPU's. Vergelijk de prestaties voor tekst, beeldanalyse en beeldgeneratie met uw eigen workloads.","2025-07-07T11:26:13","introducing-paitons-free-evaluation-models","https:\u002F\u002Feliovp.com\u002Fintroducing-paitons-free-evaluation-models\u002F",[915,894,178],{"path":1146,"title":1147,"description":1148,"date":1149,"slug":1150,"image":1151,"originalUrl":1152,"categories":1153},"\u002Fblog\u002Fpaiton-dramatically-faster-startup-and-performance-for-llama-3-1-405b","Llama 3.1 405B: sneller starten met Paiton op MI300X","Bekijk Paiton-benchmarks voor Llama 3.1 405B op acht AMD MI300X-GPU's, met opstarttijd, tensorparallelisme, throughput en latency.","2025-06-12T20:15:23","paiton-dramatically-faster-startup-and-performance-for-llama-3-1-405b","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fservingscreenshot.webp","https:\u002F\u002Feliovp.com\u002Fpaiton-dramatically-faster-startup-and-performance-for-llama-3-1-405b\u002F",[915,894,178,960,767,1066,1154,1068,1155,1156,1157,178,1158,1159],"Koude start","Grafiekcompilatie","Llama 3.1 405B","LLM-optimalisatie","Opstartlatentie","Tensor-parallellisme",{"path":1161,"title":1162,"description":1163,"date":1164,"slug":1165,"image":1166,"originalUrl":1167,"categories":1168},"\u002Fblog\u002Fpaiton-fp8-beats-nvidias-h200-on-amds-mi300x","Paiton FP8 verslaat NVIDIA's H200 op AMD's MI300X","Vergelijk Paiton op AMD MI300X met NVIDIA H200 voor Llama 3.1 70B FP8: throughput, wachttijd tot het eerste token en latency bij diverse batchgroottes.","2025-06-08T19:12:40","paiton-fp8-beats-nvidias-h200-on-amds-mi300x","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fblognewfp8.webp","https:\u002F\u002Feliovp.com\u002Fpaiton-fp8-beats-nvidias-h200-on-amds-mi300x\u002F",[915,894,178,960,1066,1169,1016,936,895,896,851,1156,1170,1171],"Koude startoptimalisatie","Model serving","vLLM-optimalisatie",{"path":1173,"title":1174,"description":1175,"date":1176,"slug":1177,"image":1178,"originalUrl":1179,"categories":1180},"\u002Fblog\u002Fmi300x-vs-h200-vs-rx-7900-xtx-vs-tenstorrent-n300s-with-vllm","MI300X, H200, RX 7900 XTX en n300s: vLLM-benchmarks","Vergelijk MI300X, H200, RX 7900 XTX en Tenstorrent n300s met vLLM: throughput, gemodelleerde tokenkosten en hardwarebeperkingen voor Llama 3 8B.","2025-05-09T14:03:58","mi300x-vs-h200-vs-rx-7900-xtx-vs-tenstorrent-n300s-with-vllm","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fcomparisontenstor.webp","https:\u002F\u002Feliovp.com\u002Fmi300x-vs-h200-vs-rx-7900-xtx-vs-tenstorrent-n300s-with-vllm\u002F",[915,894,178,1011,960,929,1127,801,1181,1182],"RX7900XTX","tenstorrent",{"path":1184,"title":1185,"description":1186,"date":1187,"slug":1188,"image":1189,"originalUrl":1190,"categories":1191},"\u002Fblog\u002Fclusterpl-empowering-gpu-cluster-investors-with-real-world-financial-insights","ClusterP&L: financiële modellen voor GPU-clusters","Ontdek hoe ClusterP&L kosten, rendement en investeringsscenario's voor GPU-clusters modelleert, met risicoanalyses en exporteerbare rapporten.","2025-05-03T10:52:22","clusterpl-empowering-gpu-cluster-investors-with-real-world-financial-insights","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fcomparisonscenarios.webp","https:\u002F\u002Feliovp.com\u002Fclusterpl-empowering-gpu-cluster-investors-with-real-world-financial-insights\u002F",[915,894,959,1011,930,1126,1192,801,1193],"MI325X","P&L-calculator",{"path":1195,"title":1196,"description":1197,"date":1198,"slug":1199,"image":1200,"originalUrl":1201,"categories":1202},"\u002Fblog\u002Fcranking-out-faster-tokens-for-fewer-dollars-amd-mi300x-vs-nvidia-h200","AMD MI300X versus NVIDIA H200: Qwen3-32B met Paiton","Vergelijk Qwen3-32B-benchmarks op AMD MI300X met Paiton en NVIDIA H200, met resultaten voor throughput, latency en hardwarekosten.","2025-05-02T21:10:30","cranking-out-faster-tokens-for-fewer-dollars-amd-mi300x-vs-nvidia-h200","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002F3ac59a73-2466-4422-b7e5-ef2e4a8ca58e.webp","https:\u002F\u002Feliovp.com\u002Fcranking-out-faster-tokens-for-fewer-dollars-amd-mi300x-vs-nvidia-h200\u002F",[915,894,178,1125,929,1126,1203,801,178,852],"MI300",{"path":1205,"title":1206,"description":1207,"date":1208,"slug":1209,"image":1210,"originalUrl":1211,"categories":1212},"\u002Fblog\u002Fpower-meets-precision-high-density-modular-data-center-for-nvidia-nvl-deployments-1-2-mw","Modulaire datacenters voor NVIDIA NVL: 1 tot 2 MW","Ontdek modulaire datacenterontwerpen voor NVIDIA NVL-systemen, met aandacht voor vermogen, vloeistofkoeling, redundantie en uitrolplanning.","2025-05-02T14:09:59","power-meets-precision-high-density-modular-data-center-for-nvidia-nvl-deployments-1-2-mw","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Feliovp_critical-1mw-pod_rev-2_transparent.webp","https:\u002F\u002Feliovp.com\u002Fpower-meets-precision-high-density-modular-data-center-for-nvidia-nvl-deployments-1-2-mw\u002F",[915,959,1213,1030,1051,917,803,1052,1214,1215,1055,1216],"1-2MW datacenter","NVIDIA Blackwell","NVIDIA NVL","Precisiekoeling",{"path":1218,"title":1219,"description":1220,"date":1221,"slug":1222,"image":1223,"originalUrl":1224,"categories":1225},"\u002Fblog\u002Fexamining-ai-agents-in-the-medical-field-ai-that-speaks-dicom","AI-agents in de medische wereld: AI die DICOM spreekt","Ontdek een lokale AI-agent die DICOM-gegevens opzoekt en bekijk tests van beeldmodellen met geanonimiseerde medische beelden.","2025-04-11T14:45:48","examining-ai-agents-in-the-medical-field-ai-that-speaks-dicom","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fhealthcareblog-1.webp","https:\u002F\u002Feliovp.com\u002Fexamining-ai-agents-in-the-medical-field-ai-that-speaks-dicom\u002F",[915,894,1011,960,1125,929,1226],"Zorg",{"path":1228,"title":1229,"description":1230,"date":1231,"slug":1232,"image":1233,"originalUrl":1234,"categories":1235},"\u002Fblog\u002Feliovp-bv-your-trusted-partner-for-supply-chain-resilience-amidst-new-u-s-tariffs","Amerikaanse invoerheffingen en AI-leveringszekerheid in 2025","Lees ElioVP's visie uit april 2025 op Amerikaanse invoerheffingen en leveringszekerheid voor AI-servers, HPC-systemen en modulaire datacenters.","2025-04-04T10:01:27","eliovp-bv-your-trusted-partner-for-supply-chain-resilience-amidst-new-u-s-tariffs","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Ftariffsshipping.webp","https:\u002F\u002Feliovp.com\u002Feliovp-bv-your-trusted-partner-for-supply-chain-resilience-amidst-new-u-s-tariffs\u002F",[915,971,1125,929,1236,1237,1238,1239],"Invoer","Taiwan","Invoerheffingen","Trump",{"path":1241,"title":1242,"description":1243,"date":1244,"slug":1245,"image":1246,"originalUrl":1247,"categories":1248},"\u002Fblog\u002Fwhy-ai-agents-are-the-future","Waarom AI-agenten de toekomst zijn","Ontdek AI-agents voor ERP, CRM, financiën en klantondersteuning, met praktijkvoorbeelden en een traject van procesanalyse tot pilot en uitrol.","2025-03-23T22:06:59","why-ai-agents-are-the-future","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Ferp2.jpeg","https:\u002F\u002Feliovp.com\u002Fwhy-ai-agents-are-the-future\u002F",[915,894,1011,1125,1249,1250],"AI-agenten","ERP",{"path":1252,"title":1253,"description":1254,"date":1255,"slug":1256,"image":1257,"originalUrl":1258,"categories":1259},"\u002Fblog\u002Fthe-rise-of-open-source-ai-model-optimization","De opkomst van open-source AI-modeloptimalisatie","Verken trends in opensource-AI-optimalisatie: kwantisatie, mixture-of-experts-modellen, hardwaregerichte afstemming, RAG en edge-AI.","2025-03-22T20:59:23","the-rise-of-open-source-ai-model-optimization","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Friseofopensource.jpeg","https:\u002F\u002Feliovp.com\u002Fthe-rise-of-open-source-ai-model-optimization\u002F",[915,894,971,1260,929,937,801],"AI-nieuws",{"path":1262,"title":1263,"description":1264,"date":1265,"slug":1266,"image":1267,"originalUrl":1268,"categories":1269},"\u002Fblog\u002Fintroducing-our-benchmarking-tool-powered-by-dstack","Maak kennis met onze benchmarktool, gebouwd op dstack","Ontdek onze benchmarktool met dstack: herhaalbare vLLM-tests, automatische parameterreeksen en prestatierapporten voor lokale GPU's en de cloud.","2025-03-20T14:21:59","introducing-our-benchmarking-tool-powered-by-dstack","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fbenchmarktool.jpeg","https:\u002F\u002Feliovp.com\u002Fintroducing-our-benchmarking-tool-powered-by-dstack\u002F",[915,894,178,1125,929,1270,1271,1127,178],"benchmark","LLM",{"path":1273,"title":1274,"description":1275,"date":1276,"slug":1277,"image":1278,"originalUrl":1279,"categories":1280},"\u002Fblog\u002Foptimizing-qwq-32b-by-qwen-amd-mi300x-vs-nvidia-h200","QwQ-32B optimaliseren (door Qwen): AMD MI300X versus NVIDIA H200","Vergelijk throughput en latency van QwQ-32B op AMD MI300X met Paiton en NVIDIA H200, bij kleine batches en meer gelijktijdige aanvragen.","2025-03-19T21:41:44","optimizing-qwq-32b-by-qwen-amd-mi300x-vs-nvidia-h200","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fpaiton4.jpeg","https:\u002F\u002Feliovp.com\u002Foptimizing-qwq-32b-by-qwen-amd-mi300x-vs-nvidia-h200\u002F",[915,894,178],{"path":1282,"title":1283,"description":1284,"date":1285,"slug":1286,"image":1287,"originalUrl":1288,"categories":1289},"\u002Fblog\u002Feliovp-featured-on-amd-tech-talk-podcast","Eliovp te gast in de AMD Tech Talk-podcast","Beluister Elio Van Puyvelde en Jim Greene in de AMD Tech Talk-podcast over het ontstaan van ElioVP en de hardware- en softwarediensten voor AI.","2025-03-19T07:53:39","eliovp-featured-on-amd-tech-talk-podcast","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Ftechtalkjimgreene.jpeg","https:\u002F\u002Feliovp.com\u002Feliovp-featured-on-amd-tech-talk-podcast\u002F",[915,929,1290,1291,1292],"Jim Greene","Podcast","Tech Talk",{"path":1294,"title":1295,"description":1296,"date":1297,"slug":1298,"image":1299,"originalUrl":1300,"categories":1301},"\u002Fblog\u002Ffurther-optimizing-amd-powered-inference-with-paiton","AMD-inferentie verder optimaliseren met Paiton","Bekijk Paiton-benchmarks voor DeepSeek R1 Distill Llama 8B op AMD MI300X, gericht op throughput en latency bij kleinere batchgroottes.","2025-03-13T06:18:30","further-optimizing-amd-powered-inference-with-paiton","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fpaitonpost3.webp","https:\u002F\u002Feliovp.com\u002Ffurther-optimizing-amd-powered-inference-with-paiton\u002F",[915,894,178,929,768,1302,1126,1127,1192,178,852],"H100",{"path":1304,"title":1305,"description":1306,"date":1307,"slug":1308,"image":1309,"originalUrl":1310,"categories":1311},"\u002Fblog\u002Fa-first-look-at-paiton-in-action-deepseek-r1-distill-llama-3-1-8b","Paiton-benchmarks: DeepSeek R1 Distill Llama 3.1 8B","Vergelijk standaard- en Paiton-versies van DeepSeek R1 Distill Llama 3.1 8B op AMD MI300X, met benchmarks voor throughput en latency.","2025-01-31T09:11:02","a-first-look-at-paiton-in-action-deepseek-r1-distill-llama-3-1-8b","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fpaitonpost2.webp","https:\u002F\u002Feliovp.com\u002Fa-first-look-at-paiton-in-action-deepseek-r1-distill-llama-3-1-8b\u002F",[915,894,178,929,768,1302,1126,1127,1192,178,852],{"path":1313,"title":1314,"description":1315,"date":1316,"slug":1317,"image":1318,"originalUrl":1319,"categories":1320},"\u002Fblog\u002Fai-model-optimization-with-paiton","AI-modeloptimalisatie met Paiton","Lees hoe Paiton modelcompilatie, aangepaste kernels en kernelfusie inzet om AI-inferentie op AMD GPU's te optimaliseren.","2025-01-30T19:53:25","ai-model-optimization-with-paiton","\u002Fasset\u002Fimages\u002Fblog\u002Fimported\u002Fpaitonpost1.webp","https:\u002F\u002Feliovp.com\u002Fai-model-optimization-with-paiton\u002F",[915,894,178,929,1302,1126,1127,1192,178,852],1794475007205]