Le 18 novembre 2026, OpenAI a publié un rapport selon lequel ses modèles ont contribué à optimiser des blocs de puces AMD : l’entreprise annonce jusqu’à 14 % d’amélioration du PPA sur une propriété intellectuelle de GPU phare, par rapport à des bases déjà fortement optimisées. Le PPA regroupe la puissance, les performances et la surface du circuit ; ce chiffre ne correspond donc pas à un gain de vitesse général pour les GPU AMD. OpenAI détaille ses résultats et sa méthode.
Ce que recouvre le résultat annoncé pour AMD
Les modèles ont réécrit du code RTL en SystemVerilog, un langage qui décrit la logique des circuits. Selon OpenAI, AMD a intégré certaines modifications à une conception envoyée en fabrication et ajouté d’autres changements aux fichiers de conception de versions futures. Le rapport attribue aussi aux modèles des gains de PPA à un chiffre, sans pourcentage plus précis, dans des blocs clés d’un processeur phare de prochaine génération.
Le résultat GPU porte sur une propriété intellectuelle de GPU phare, sans identifier de produit ni détailler la part respective de la puissance, des performances et de la surface dans le gain maximal. Il ne permet pas d’attribuer une hausse de vitesse de 14 % à l’ensemble des cartes graphiques AMD.
Jalapeño : des gains distincts dans les blocs de calcul
OpenAI rapporte pour sa puce d’inférence Jalapeño une réduction de la surface des cellules standard d’environ 13 % dans l’unité vectorielle et 10 % dans l’unité matricielle. L’entreprise indique que ces modifications ont été validées sur silicium. Dans notre article précédent sur Jalapeño, nous présentions cette puce d’inférence spécialisée ; les nouveaux chiffres concernent ici des blocs précis de sa conception.
Deux exemples détaillent des compromis différents au sein de l’unité matricielle. Pour un multiplicateur, OpenAI rapporte environ 15 % de surface de cellules en moins après synthèse, avec une latence ramenée de deux cycles d’horloge à un. Pour un additionneur distinct, la réduction de surface est également d’environ 15 %, mais la latence reste de deux cycles. Ces chiffres décrivent ces deux modifications particulières, séparément des réductions globales annoncées pour les unités vectorielle et matricielle.
Comment OpenAI vérifie les modifications
OpenAI indique que les outils EDA de Synopsys ont servi à vérifier que les réécritures RTL conservaient le comportement des blocs et à évaluer les compromis entre puissance, performances et surface. Les outils de conception électronique (EDA) permettent notamment d’analyser et de vérifier des circuits décrits dans le code. Dans le processus décrit, les modèles proposent les modifications et les outils servent à en contrôler le comportement.
Ce que mesure l’évaluation RISC-V
OpenAI a évalué des modèles sur deux cœurs RISC-V ouverts de 32 bits, PicoRV32 et Ibex, avec deux types de tâches : optimiser un cœur existant et concevoir un cœur à partir d’une spécification écrite. L’évaluation totalise 9 881 essais notés.
Pour l’optimisation d’un cœur existant, les conceptions étaient d’abord simulées. Un résultat obtenait zéro si les vérifications de fonctionnement échouaient ou si la surface dépassait 16 fois celle du cœur d’origine. Pour les autres, OpenAI combinait la moyenne géométrique des instructions exécutées par cycle sur des charges de travail cachées avec la fréquence maximale estimée par Yosys, un outil de synthèse logique. Le meilleur débit observé pour chaque cœur était normalisé à 1,0, puis les scores moyens incluaient aussi les essais à zéro. Il s’agit donc de scores relatifs à ces tâches et à ces cœurs, pas d’une mesure absolue du débit d’une puce de production.
À budget comparable, d’environ 112 000 jetons par essai, OpenAI indique que GPT-6.2 Astra a obtenu le meilleur score moyen sur les deux cœurs. GPT-6.1 Sol a également devancé GPT-5.6 Sol sur les deux. Ces résultats portent sur cette évaluation, et non sur un classement général des modèles pour la conception de puces.
Les modèles ont mieux réussi les tâches de conception à partir d’une spécification que l’optimisation des cœurs existants. OpenAI relève que ces tâches laissaient davantage de liberté pour omettre des fonctions présentes dans les conceptions d’origine, comme des compteurs de performance ou des instructions supplémentaires. L’entreprise estime que conserver ces fonctions, resserrer les limites de surface et vérifier les délais après la synthèse physique rapprocherait davantage l’évaluation des contraintes de production.
Le projet de modèle avec Synopsys
OpenAI et Synopsys travaillent aussi à entraîner GPT-Synopsys pour utiliser les outils EDA de Synopsys dans des tâches de conception et de vérification. OpenAI présente ce travail comme un développement en cours, distinct des résultats déjà rapportés pour les blocs AMD et Jalapeño.