OpenAI afirma que sus modelos ayudaron a mejorar hasta un 14% la PPA de IP de una GPU insignia de AMD, frente a diseños de base ya muy optimizados. El dato, publicado en un informe técnico el 18 de noviembre de 2026, describe una combinación de potencia, rendimiento y área en bloques de diseño; no es una cifra de velocidad para una GPU de venta al público. El mismo informe detalla cambios en el chip Jalapeño y una evaluación de tareas con núcleos RISC-V. El informe técnico de OpenAI reúne los resultados y el método.

Para entender una mejora en diseño de chips, mira siempre qué bloque se midió y con qué métrica: aquí, PPA en IP de GPU.

Qué afirma OpenAI sobre los diseños de AMD

OpenAI comunica una mejora de hasta el 14% en PPA —potencia, rendimiento y área— para IP de una GPU insignia de AMD, comparada con bases que ya estaban muy optimizadas. La empresa no desglosa ese máximo entre los tres componentes de PPA ni identifica el bloque concreto. También informa de mejoras porcentuales de un solo dígito en bloques clave de una CPU insignia de próxima generación de AMD.

OpenAI dice que AMD incluyó algunos cambios en un diseño enviado a fabricación y añadió otros a archivos de diseño de producción destinados a versiones futuras. El informe no asocia esos resultados a un modelo comercial concreto.

Qué cambia en Jalapeño y cómo se revisan los diseños

Diagrama abstracto de un flujo de diseño: una señal similar a código pasa por una etapa de análisis EDA y llega a una representación de lógica revisada.

En Jalapeño, el chip de inferencia de OpenAI, la compañía calcula que los cambios propuestos por sus modelos redujeron el área de celdas estándar alrededor de un 13% en la unidad vectorial y un 10% en la unidad matricial. OpenAI afirma que esos cambios se probaron en silicio. La cifra agregada de cada unidad es distinta de los ejemplos de circuitos individuales que describe el informe.

En uno de esos ejemplos, un rediseño del multiplicador de la unidad matricial redujo cerca de un 15% el área de celdas en síntesis y bajó la latencia de dos ciclos de reloj a uno. En otro, un rediseño del sumador redujo el área alrededor de un 15%, pero mantuvo la latencia de dos ciclos.

OpenAI también explica que sus modelos reescribieron RTL de SystemVerilog —código que describe la estructura y el comportamiento del hardware— en diseños de AMD. Según la empresa, se usaron herramientas EDA de Synopsys para comprobar que cada reescritura conservaba el comportamiento del bloque y para evaluar sus compromisos de potencia, rendimiento y área.

NeoTeo ya había contado qué es Jalapeño y para qué lo diseñó OpenAI; el nuevo informe añade resultados de optimización y describe el uso de modelos en tareas de diseño.

Qué mide la evaluación RISC-V

OpenAI probó tareas sobre dos núcleos abiertos de 32 bits basados en RISC-V: PicoRV32 e Ibex. La evaluación incluyó optimizar núcleos existentes y diseñar uno a partir de una especificación. En total, la compañía contabiliza 9.881 ejecuciones puntuadas.

Para puntuar una optimización, OpenAI exigió que el diseño superara comprobaciones de simulación. Las ejecuciones que no las pasaron, o cuyos diseños superaron 16 veces el área del núcleo original, recibieron cero. En los casos válidos, la puntuación combinó la media geométrica de instrucciones por ciclo en cargas de trabajo ocultas con la frecuencia máxima estimada por Yosys. Después, OpenAI normalizó el mejor rendimiento observado de cada núcleo a 1,0 y calculó promedios que incluían las ejecuciones con cero.

Así, las puntuaciones comparan resultados dentro de esas tareas y restricciones; no expresan el rendimiento absoluto de un procesador comercial. Con presupuestos comparables de alrededor de 112.000 tokens por ejecución, OpenAI informa de que GPT-6.2 Astra obtuvo la media más alta en ambos núcleos. También dice que GPT-6.1 Sol superó a GPT-5.6 Sol en los dos.

Los cinco modelos evaluados puntuaron más alto en la tarea de crear un núcleo desde una especificación que al optimizar uno existente, con presupuestos similares. OpenAI señala que una explicación posible es que los diseños creados desde cero podían omitir prestaciones del núcleo original, como contadores de rendimiento e instrucciones adicionales, que influían poco en las cargas medidas. La compañía plantea que conservar esas funciones y endurecer las restricciones de área haría que la tarea se pareciera más al diseño para producción.

En qué consiste el trabajo con Synopsys

OpenAI y Synopsys trabajan en GPT-Synopsys, un modelo que, según OpenAI, se está entrenando para usar herramientas EDA en tareas de diseño y verificación de chips. La colaboración se plantea como desarrollo de un modelo; el informe no la presenta como un producto ya lanzado.