Em relatório publicado em 18 de novembro de 2026, a OpenAI afirma que seus modelos ajudaram a melhorar em até 14% a métrica PPA de IP de GPU emblemática da AMD, em relação a projetos já bastante otimizados. O resultado diz respeito a blocos de design não identificados, e não a um aumento geral de velocidade nas GPUs da empresa. O relatório da OpenAI também descreve mudanças no chip Jalapeño e testes com processadores RISC-V.

PPA reúne potência, desempenho e área: uma melhora nessa métrica não equivale, por si só, a uma GPU inteira mais rápida.

O que a OpenAI relata sobre os chips da AMD

PPA é a sigla para potência, desempenho e área — três dimensões usadas em conjunto para avaliar um projeto de chip. A OpenAI relata um ganho de até 14% nessa métrica para IP de GPU emblemática da AMD, em comparação com referências já bastante otimizadas. A empresa não identifica o bloco específico nem detalha quanto do resultado corresponde a cada dimensão.

A OpenAI afirma que os modelos reescreveram trechos de RTL em SystemVerilog, uma linguagem usada para descrever circuitos digitais. Segundo a empresa, algumas mudanças entraram em um projeto da AMD enviado para fabricação, enquanto outras foram incluídas em arquivos de design para versões futuras.

A empresa também relata ganhos de PPA de um dígito percentual em blocos importantes de uma CPU emblemática de próxima geração da AMD. Não informa uma porcentagem exata nem identifica o processador.

O que mudou no Jalapeño

No chip de inferência Jalapeño, a OpenAI estima reduções de cerca de 13% na área de células padrão da unidade vetorial e de 10% na unidade matricial. A empresa diz que essas mudanças foram comprovadas em silício. Em 2025, a OpenAI começou a usar o GPT-o3 mini para ajudar no design do chip. Para conhecer a cobertura anterior do NeoTeo sobre o projeto, veja o artigo sobre o chip de inferência Jalapeño.

Dois exemplos da unidade matricial mostram por que as medidas precisam ser distinguidas. Em uma reformulação de multiplicador, a área de células caiu cerca de 15% na síntese, e a latência passou de dois ciclos de clock para um. Em uma reformulação separada de somador, a área também caiu cerca de 15%, mas a latência permaneceu em dois ciclos.

Como as ferramentas da Synopsys entram no processo

Diagrama conceitual que mostra uma proposta de alteração em RTL passando por ferramentas EDA da Synopsys para checagens de comportamento e avaliação de potência, desempenho e área.

A OpenAI diz que usou ferramentas da Synopsys para checar se as reescritas de RTL da AMD preservavam o comportamento dos blocos e para avaliar as trocas entre potência, desempenho e área. O trabalho descrito combina propostas feitas pelos modelos com checagens em ferramentas de automação de projeto eletrônico, conhecidas como EDA.

A OpenAI também relata uma colaboração com a Synopsys para treinar o GPT-Synopsys no uso dessas ferramentas em tarefas de design e verificação de chips.

O que o benchmark RISC-V mede

A avaliação da OpenAI usou dois núcleos RISC-V de código aberto e 32 bits: PicoRV32 e Ibex. O primeiro foi projetado para uso em FPGAs; o Ibex é usado como processador embarcado no OpenTitan. No total, a avaliação reuniu 9.881 execuções pontuadas em duas tarefas, dois núcleos e diferentes orçamentos de tokens.

Na otimização de um núcleo existente, os designs precisavam passar por checagens de correção em simulação. Uma falha ou uma área superior a 16 vezes a do núcleo original resultava em pontuação zero. Para os designs aprovados, a OpenAI combinou a média geométrica de instruções por ciclo em cargas de trabalho ocultas com a frequência máxima estimada pelo Yosys. Depois, normalizou a pontuação em relação ao melhor throughput observado para cada núcleo e calculou as médias incluindo as execuções com nota zero.

Essa normalização faz das pontuações uma comparação dentro das tarefas e dos núcleos avaliados, não uma medida absoluta de throughput de chips comerciais. Com orçamentos comparáveis de cerca de 112 mil tokens por execução, o GPT-6.2 Astra teve a maior pontuação média nos dois núcleos. A OpenAI também relata que o GPT-6.1 Sol superou o GPT-5.6 Sol em ambos.

Na tarefa de criar um núcleo a partir de uma especificação, os cinco modelos tiveram pontuações mais altas do que na otimização de núcleos existentes, com orçamentos de cerca de 112 mil tokens. A OpenAI observa que esse tipo de tarefa permite deixar de fora recursos do projeto original, como contadores de desempenho e instruções adicionais, que pouco pesavam no throughput das cargas testadas. Preservar esses recursos, impor limites de área mais rigorosos e checar o timing após a síntese física aproximaria a avaliação das exigências de um projeto de produção.