R9V ist ein von einem einzelnen Entwickler über mehrere Monate entstandenes, hochgradig angepasstes Kernel-Set, das speziell auf die Mikroarchitektur RDNA4 (AMD Radeon RX 9700) zugeschnitten ist. Als Ausgangspunkt diente vLLM-Radiance, in das die eigenen Kernel als Drop-in eingesteckt wurden; für Dense-Modelle entsteht parallel ein vollständig eigenständiges Inferenz-Backend. Die Grundlagenarbeit umfasste die native Nutzung von Wave32 statt der bei den meisten Engines üblichen Konvertierung, DPP-Operationen, Occupancy-Control, RDNA4-Integer-Dot-Instructions sowie die maximale Ausschöpfung der LDS-Größen für HyperConnection-Kernel. Der entscheidende MoE-Prefill-Gewinn entstand durch das Gruppieren von Prompt-Tokens nach Expert in Gruppen der Größe 16, kombiniert mit einem effizienten Hot/Cold-Expert-Mapping; der Entwickler schätzt, 80 % des theoretischen Maximums erreicht zu haben. Beim Multi-Token-Prediction (MTP) wurde durch Wiederverwendung der Token-Routen zu den meistgenutzten Experten eine Bandbreitenoptimierung von 27 % erzielt. Für das Dense-Modell Muse Glimmer 30B, das auf einen einzelnen R9700 ausgelegt ist, liegt der TG-Gewinn gegenüber llama.cpp Vulkan bei rund 1,4×, während der PP8192-Durchsatz gegenüber llama.cpp ROCm um 46 % steigt. Das Test-Setup besteht aus zwei R9700s mit 128 GB DDR5, das laut Entwickler unter bestimmten Modellgrößen theoretisch die Bandbreite eines Unified-Memory-Systems erreichen kann.