Tom’s Hardware presentó el 29 de octubre de 2026 un prototipo para medir el rendimiento de la CPU en tareas de IA agéntica. La prueba propuesta reproduce conversaciones y resultados de herramientas ya registrados mientras aumenta el número de agentes simultáneos, y calcula cuántas tareas completas por segundo se terminan. El artículo describe el método, pero no publica puntuaciones comparativas ni una clasificación de procesadores.
En este artículo
- Qué mide el prototipo
- Cómo se graban y se repiten las tareas
- La reproducción congelada y la inferencia en vivo miden cosas distintas
- Otras cifras sobre CPU para agentes miden cargas distintas
Qué mide el prototipo
La métrica principal son las sesiones completadas por segundo: una sesión equivale a una tarea de principio a fin. La prueba aumenta la concurrencia, es decir, el número de agentes que trabajan a la vez, y cuenta cuántas tareas terminan en cada nivel.
Tom’s Hardware define el rendimiento máximo como la tasa más alta de sesiones por segundo y registra cuántos agentes concurrentes había entonces. También propone un rendimiento «ideal»: el punto en que el 5 % de las sesiones más lentas tarda como máximo 1,5 veces lo que tarda una sesión individual con la concurrencia base. Esa segunda medida incorpora un límite de latencia, no solo el mayor caudal alcanzado.
La distinción importa porque las llamadas a herramientas y otras tareas de un agente pueden ocupar poco tiempo en una sesión secuencial, mientras que varias sesiones simultáneas pueden competir por recursos de CPU.
Cómo se graban y se repiten las tareas
En la fase de grabación, un proxy envía las solicitudes del agente a un servidor llama.cpp y guarda las peticiones y respuestas del modelo. Las llamadas a herramientas y sus resultados quedan registrados por separado.
Durante la reproducción, la prueba comprueba cada solicitud mediante la etiqueta de sesión y un hash. Si no coincide con la traza guardada, la ejecución se invalida. También compara las llamadas a herramientas y devuelve sus resultados registrados, para que las tareas sigan el recorrido previsto.
El diseño utiliza agentes personalizados de LangGraph y una secuencia de 30 tareas. La concurrencia empieza con un trabajador, aumenta hasta el máximo de hilos de la CPU y cada nivel se repite tres veces. Se describen seis perfiles: análisis, programación, documentos, investigación, soporte y navegación web. Las tareas actuales son de un solo turno, aunque cada una puede requerir varias llamadas al modelo y herramientas.
Tom’s Hardware describe dos sistemas para el desarrollo de la prueba: un equipo con Threadripper de 64 núcleos y un NVIDIA DGX Spark con GB10, CPU Arm Grace y 128 GB de memoria unificada. Para la configuración actual, el medio informa de una sobrecarga de aislamiento de Docker inferior al 2 % frente a una ejecución sobre el sistema sin contenedores.
La reproducción congelada y la inferencia en vivo miden cosas distintas
La reproducción congelada devuelve respuestas del modelo ya grabadas, por lo que esa barrida no incluye inferencia GPU en vivo. Una modalidad separada sí ejecuta inferencia: el modelo genera el mismo número de tokens que en la grabación, pero la respuesta generada se descarta y se devuelve la respuesta registrada. Así se incorporan la inferencia, el preprocesamiento de la entrada, la generación de tokens, el comportamiento de la caché y las colas de los agentes.
| Modalidad | Respuestas del modelo | Inferencia en GPU | Qué incluye |
| Reproducción congelada | Se devuelven las respuestas grabadas. | No en esta barrida. | La ejecución de agentes y herramientas bajo concurrencia, sin el tiempo de inferencia en vivo. |
| Inferencia en vivo | El modelo genera los mismos tokens; se descarta esa respuesta y se devuelve la grabada. | Sí. | Inferencia, comportamiento de la caché y colas de los agentes, además de la reproducción de tareas. |
En una demostración en inglés, Zen van Riel usa ganchos de Claude Code y scripts de Python para observar actividad de CPU durante sesiones de agentes. Van Riel aclara que su demostración no es una prueba rigurosa, así que aporta un ejemplo de instrumentación, no resultados comparables entre procesadores.
Otras cifras sobre CPU para agentes miden cargas distintas
Los resultados publicados sobre CPU para IA agéntica no forman una clasificación común. Signal65 informó de un rendimiento medio por rack modelado de 1,99 veces para Arm AGI CPU frente a AMD EPYC 9755 en siete cargas de trabajo. Arm encargó ese análisis y sus cifras de rack se modelaron a partir de la potencia nominal de los servidores y mediciones por chip.
AMD, por su parte, publicó una comparación modelada de racks de 100 kW basada en cargas de infraestructura. La empresa situó el EPYC 9965 en 2,37 veces la media geométrica normalizada por rack de NVIDIA Vera, y señaló que su conjunto de pruebas no representa una canalización completa de agentes de principio a fin. NVIDIA informó de un rendimiento de sandbox de Vera más de 1,8 veces superior al de arquitecturas x86 tradicionales bajo carga máxima. Es una afirmación de la propia NVIDIA sobre otra métrica y otra carga de trabajo.
En Reddit, algunos comentaristas cuestionaron la independencia del análisis de Signal65 por haber sido encargado por Arm. Esa crítica expresa dudas sobre la evaluación, no una medición alternativa.
También existe una suite abierta independiente, ritikraj7/cpu-centric-agentic-ai, que enumera cargas de búsqueda web, RAG, generación de código, resolución de problemas matemáticos e investigación química. Su README menciona CUDA 11.8 o posterior para aceleración por GPU y 16 GB o más de memoria gráfica para inferencia de modelos de lenguaje. Es una suite heterogénea, no la reproducción de CPU sin inferencia en vivo descrita por Tom’s Hardware.
La metodología de Tom’s Hardware sigue siendo una propuesta: el artículo de Jake Roach dejó los primeros resultados reales como siguiente paso, sin publicar puntuaciones de procesadores.
