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
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.