OpenAI berichtete am 18. November 2026 von bis zu 14 Prozent PPA-Verbesserung bei nicht näher bezeichneten IP-Blöcken einer AMD-Flaggschiff-GPU. Der Wert bezieht sich auf den Vergleich mit bereits stark optimierten Ausgangsdesigns, nicht auf die Geschwindigkeit jeder AMD-GPU. PPA steht für Power, Performance, Area und umfasst Leistungsaufnahme, Rechenleistung und Chipfläche. OpenAIs technischer Bericht beschreibt außerdem Ergebnisse für den Inferenzchip Jalapeño und Benchmarks mit RISC-V-Prozessorkernen.

Ein PPA-Ergebnis lässt sich nur im Zusammenhang mit dem konkreten Block und seinem Vergleichswert einordnen.

Was OpenAI über AMDs Chipdesign berichtet

OpenAI zufolge schrieben seine Modelle Teile des SystemVerilog-RTL um. RTL (Register Transfer Level) beschreibt digitale Schaltungen auf einer Ebene, die sich als Hardware umsetzen lässt. Einige Änderungen flossen laut OpenAI in einen Entwurf ein, den AMD zur Fertigung schickte; weitere seien in Produktionsdesign-Dateien für künftige Versionen aufgenommen worden.

Für wichtige Blöcke einer kommenden AMD-Flaggschiff-CPU der nächsten Generation meldet OpenAI ebenfalls PPA-Verbesserungen im einstelligen Prozentbereich. Einen genaueren Prozentwert nennt das Unternehmen dafür nicht.

Die GPU-Angabe ist ein PPA-Ergebnis für bestimmte IP-Blöcke. Weil PPA mehrere Größen zusammenfasst, lässt sich daraus keine entsprechende Steigerung der Bildrate oder der Geschwindigkeit einer konkreten Grafikkarte ableiten.

Welche Änderungen OpenAI für Jalapeño beschreibt

Für Jalapeño, OpenAIs Inferenzchip, nennt das Unternehmen rund 13 Prozent weniger Standardzellenfläche in der Vektoreinheit und rund 10 Prozent weniger in der Matrixeinheit. OpenAI zufolge wurden diese Änderungen auf Silizium erprobt. Mehr zu dem Chip bietet NeoTeos frühere Berichterstattung über Jalapeño.

Einzelne Schaltungsbeispiele sind davon zu unterscheiden: Bei einem überarbeiteten Matrixmultiplikator sank die Zellfläche in der Synthese laut OpenAI um rund 15 Prozent; zugleich verkürzte sich die Latenz von zwei Taktzyklen auf einen. Ein separat neu entworfenes Addierwerk benötigte ebenfalls rund 15 Prozent weniger Fläche, behielt aber seine Latenz von zwei Zyklen bei.

Wie OpenAI RTL-Änderungen prüfen ließ

Abstraktes Schaubild mit einer codeartigen Spur, einer EDA-Prüfstufe und einer geprüften Logikstruktur, verbunden von links nach rechts.

OpenAI zufolge nutzte AMD Synopsys-Werkzeuge, um zu prüfen, ob die überarbeiteten RTL-Blöcke ihr Verhalten beibehielten und welche Zielkonflikte sich bei Leistungsaufnahme, Rechenleistung und Fläche ergaben. Damit beschreibt OpenAI einen Werkzeug-gestützten Prüfschritt für die Entwürfe.

Was der RISC-V-Benchmark misst

OpenAI testete zwei quelloffene 32-Bit-RISC-V-Kerne: PicoRV32 und Ibex. Die Aufgaben umfassten sowohl die Optimierung bestehender Kerne als auch den Entwurf eines Kerns aus einer schriftlichen Spezifikation. Insgesamt flossen 9.881 bewertete Durchläufe ein.

Bei der Optimierung bestehender Kerne erhielten Entwürfe null Punkte, wenn sie die Simulation nicht bestanden oder mehr als das 16-Fache der ursprünglichen Kernfläche benötigten. Für die übrigen Ergebnisse kombinierte OpenAI das geometrische Mittel der Instruktionen pro Takt über verborgene Testläufe mit der von Yosys geschätzten maximalen Taktfrequenz. Der jeweils beste beobachtete Durchsatz pro Kern wurde auf 1,0 normiert; in die Durchschnittswerte gingen auch Durchläufe mit null Punkten ein. Die Scores sind damit relative Benchmarkwerte, keine absoluten Durchsatzangaben für fertige Produkte.

Bei vergleichbaren Budgets von rund 112.000 Tokens pro Durchlauf erzielte GPT-6.2 Astra laut OpenAI auf beiden Kernen den höchsten durchschnittlichen Score. GPT-6.1 Sol lag bei beiden ebenfalls vor GPT-5.6 Sol. Bei der Optimierung von PicoRV32 erreichte GPT-6.2 Astra ungefähr den doppelten Score von GPT-6 Astra.

Alle fünf getesteten Modelle erzielten bei vergleichbarem Budget höhere Werte im Entwurf aus einer Spezifikation als bei der Optimierung bestehender Kerne. OpenAI erklärt den Unterschied damit, dass die Modelle dabei Merkmale wie Leistungszähler und zusätzliche Befehle weglassen konnten, wenn diese für den Durchsatz der Testaufgaben wenig beitrugen. Solche Merkmale können für einen vollständigen Prozessorentwurf relevant sein.

OpenAI und Synopsys arbeiten außerdem an GPT-Synopsys. Das Modell soll darauf trainiert werden, EDA-Werkzeuge für Chipentwurf und Verifikation zu nutzen.