OpenAI opublikowało 18 listopada 2026 roku raport, w którym podaje, że jego modele pomogły uzyskać do 14% poprawy PPA w niezidentyfikowanym bloku IP flagowego GPU AMD, względem mocno zoptymalizowanych projektów bazowych. PPA obejmuje pobór mocy, wydajność i powierzchnię układu, więc ten wynik dotyczy łącznej oceny projektu, a nie ogólnego pomiaru szybkości kart AMD. OpenAI
Wynik PPA opisuje kompromis między poborem mocy, wydajnością i powierzchnią układu; nie jest sam w sobie miarą szybkości produktu.
Co OpenAI podało o projektowaniu układów AMD
OpenAI podaje, że modele przepisywały kod RTL w SystemVerilog, czyli opis projektu obwodu, dla wybranych bloków AMD. Firma raportuje jednocyfrową procentową poprawę PPA w kluczowych blokach flagowego procesora AMD nowej generacji. Nie podaje jego modelu ani dokładnej wartości tej poprawy.
Według OpenAI część zmian znalazła się w projekcie wysłanym do produkcji, a kolejne dodano do plików projektowych przyszłych wersji. Raport nie łączy tych zmian z nazwanym produktem GPU ani CPU.
Jalapeño: mniejsza powierzchnia bloków obliczeniowych
W przypadku układu Jalapeño OpenAI szacuje, że proponowane zmiany zmniejszyły powierzchnię standardowych komórek o około 13% w jednostce wektorowej i około 10% w macierzowej. Firma podaje, że te zmiany sprawdzono na krzemie. Wcześniej OpenAI informowało, że GPT-o3 mini pomagał przy projektowaniu Jalapeño na początku 2025 roku.
Pojedyncze przebudowy pokazują, jak różne efekty kryją się za tymi wartościami zbiorczymi. W przykładzie z mnożnikiem jednostki macierzowej synteza wykazała około 15% mniejszą powierzchnię komórek, a opóźnienie spadło z dwóch cykli zegara do jednego. Osobna przebudowa sumatora zmniejszyła powierzchnię o około 15%, zachowując opóźnienie wynoszące dwa cykle.
Wcześniejszy artykuł NeoTeo opisuje układ Jalapeño zaprojektowany do akceleracji inferencji AI. Wyniki dotyczące bloków Jalapeño są odrębnym zestawem od rezultatów zgłoszonych dla AMD.
Jak narzędzia Synopsys sprawdzały zmiany RTL
OpenAI podaje, że narzędzia Synopsys sprawdzały, czy przepisanie RTL zachowuje działanie bloku, oraz pomagały oceniać kompromisy dotyczące poboru mocy, wydajności i powierzchni. W tym procesie propozycja modelu była więc sprawdzana narzędziami EDA, czyli oprogramowaniem używanym do projektowania i weryfikacji układów elektronicznych.
OpenAI i Synopsys pracują też nad GPT-Synopsys, modelem trenowanym do korzystania z narzędzi EDA przy projektowaniu i weryfikacji układów. OpenAI opisuje tę współpracę jako prace nad modelem, nie jako jego gotowy produkt.
Co mierzył benchmark RISC-V
OpenAI oceniało modele w dwóch zadaniach dotyczących otwartych, 32-bitowych rdzeni RISC-V: optymalizacji istniejącego projektu oraz tworzenia rdzenia na podstawie specyfikacji. Test objął PicoRV32 i Ibex; łącznie firma podaje 9 881 ocenionych przebiegów.
W optymalizacji istniejącego rdzenia projekt musiał najpierw przejść testy poprawności w symulacji. Nie zaliczano go, jeśli zawiódł te testy albo jego powierzchnia przekroczyła 16-krotność powierzchni pierwotnego rdzenia. Dla pozostałych projektów OpenAI łączyło średnią geometryczną liczby instrukcji wykonywanych na cykl w ukrytych obciążeniach z maksymalną częstotliwością zegara szacowaną przez Yosys. Następnie normalizowało najlepszą przepustowość uzyskaną dla każdego rdzenia do wartości 1,0 i uśredniało wyniki, wliczając przebiegi z zerową oceną.
Przy porównywalnym budżecie około 112 000 tokenów na przebieg GPT-6.2 Astra uzyskał najwyższą średnią ocenę dla obu rdzeni. W tych samych testach GPT-6.1 Sol uzyskał lepsze wyniki niż GPT-5.6 Sol dla PicoRV32 i Ibex. Są to porównania w ramach konkretnych zadań i przy określonym budżecie, a nie ogólny ranking modeli do projektowania chipów.
W zadaniu tworzenia rdzenia ze specyfikacji wszystkie pięć modeli uzyskało przy podobnym budżecie wyższe wyniki niż przy optymalizacji istniejących rdzeni. OpenAI wskazuje, że projektowanie na podstawie opisu pozwalało pominąć elementy pierwotnego projektu, takie jak liczniki wydajności czy dodatkowe instrukcje, które miały mniejsze znaczenie dla przepustowości w testowanych obciążeniach. Taki wynik zależy więc od tego, jakie funkcje i ograniczenia uwzględnia zadanie.