Los modelos de OpenAI reducen un 10–13% el área de los bloques de Jalapeño y mejoran hasta un 14% las GPU de AMD
OpenAI encargó a sus modelos reescribir el código de los circuitos de chips: es como un refactoring, pero aplicado a un procesador. En Jalapeño, el área de las celdas se redujo un 13% en el bloque vectorial y un 10% en el matricial, y en la GPU de AMD la mejora en PPA (potencia, velocidad, área) llegó al 14%. Las herramientas de Synopsys verificaron cada cambio, y parte de ellos ya ha pasado a producción. La conclusión: la IA rinde bien donde el resultado se comprueba de forma automática.
Procesado por IA desde OpenAI Blog; editado por Hamidun News
OpenAI ha explicado cómo sus modelos ya mejoran chips reales. Piense en un refactoring: se toma una función que ya funciona y se reescribe para que sea más rápida y ocupe menos memoria, pero se comporte exactamente igual. Aquí ocurre lo mismo, solo que en lugar de una función hay un bloque de procesador descrito con código en SystemVerilog (lo que se conoce como RTL).
El resultado se mide con tres parámetros a la vez: potencia, velocidad y área del die, que en la industria se resumen como PPA. En Jalapeño, el acelerador propio de OpenAI para inferencia, los modelos redujeron el área de las celdas estándar en torno a un 13% en el bloque vectorial y un 10% en el matricial. En una GPU de AMD, que ya estaba muy optimizada, la mejora en PPA fue de hasta el 14%.
Para los desarrolladores, la conclusión es sencilla: cuando una tarea tiene verificación automática y una métrica, el modelo puede ofrecer un resultado de nivel experto.
Qué hicieron los modelos en Jalapeño
OpenAI empezó a incorporar GPT‑4o al desarrollo de Jalapeño a principios de 2025. Ya ese modelo encontraba mejoras no triviales.
El bloque vectorial ejecuta cálculos en paralelo. El ahorro allí vino de los sumadores y multiplicadores de coma flotante, las funciones de conversión, la lógica de reducción y el bloque de funciones especiales. El modelo probó implementaciones alternativas de la lógica y repartió los cálculos de otra manera entre las etapas del pipeline. Así localizó puntos donde distintas operaciones pueden compartir el mismo hardware y donde hace falta almacenar menos datos intermedios.
En el bloque matricial, tras la reelaboración, un multiplicador ocupó en torno a un 15% menos de área en la síntesis, y su latencia pasó de dos ciclos a uno. Otro sumador se hizo aproximadamente un 15% más pequeño, y su latencia de dos ciclos no cambió. Estas optimizaciones se confirmaron en silicio real al poner en marcha Jalapeño.
AMD: cambios sobre un diseño ya optimizado
Con AMD, OpenAI trabajó sobre los mismos indicadores en una GPU insignia. Partía de diseños muy optimizados y, aun así, el modelo encontró hasta un 14% de mejora al reescribir el código RTL. Según OpenAI, eso equivale a un año de progreso comprimido en menos de 5 meses. El modelo reescribió circuitos que calculan, controlan operaciones o mueven datos, y razonó sobre ellos al nivel de un microarquitecto con experiencia.
Lo importante es el circuito de verificación. Mediante herramientas de Synopsys, el modelo confirmaba que cada cambio no alteraba el comportamiento del bloque y evaluaba el equilibrio entre potencia, velocidad y área. AMD ya ha incorporado parte de los cambios en un diseño enviado a producción y ha añadido el resto a los archivos de trabajo para futuras versiones. En los bloques clave de la próxima CPU insignia de AMD, la compañía confirmó de forma independiente una mejora en PPA, pero se mide en un solo dígito porcentual.
Cómo se midió en núcleos RISC-V
Para comparar generaciones de modelos, OpenAI tomó dos núcleos abiertos de 32 bits: PicoRV32, un núcleo compacto para circuitos programables FPGA, e Ibex, el procesador integrado en el chip seguro OpenTitan. Los modelos recibieron dos tareas: acelerar un núcleo ya hecho y diseñar un núcleo desde cero a partir de requisitos escritos. El objetivo era el rendimiento, es decir, el número de instrucciones por segundo.
La evaluación es estricta. Un diseño recibía cero si no superaba las comprobaciones en simulación o si su área era más de 16 veces la del original. Para el resto se medía el número de instrucciones por ciclo en cargas de trabajo ocultas al modelo y se multiplicaba por la frecuencia máxima estimada con Yosys. El mejor resultado de cada núcleo se tomó como 100%, y los intentos con cero entraron en la media.
Con un presupuesto de unos 112 mil tokens por ejecución, GPT‑6.2 Astra obtuvo el mejor resultado medio en ambos núcleos, y GPT‑6.1 Sol superó a GPT‑5.6 Sol. En PicoRV32, el resultado de Astra es aproximadamente el doble que el de GPT‑6 Astra. En total, la evaluación incluyó 9 881 ejecuciones. En el diseño a partir de requisitos, los cinco modelos puntuaron más que al mejorar un núcleo ya hecho: GPT‑6.2 Astra logró cerca del 70% del mejor resultado en PicoRV32 y alrededor del 75% en Ibex.
Salvedades y próximos pasos
Todas las cifras proceden de la publicación de la propia OpenAI. El valor «hasta el 14%» corresponde al mejor caso, no a la media de todo el chip. La ventaja del diseño desde cero se explica en parte porque el modelo puede omitir contadores de rendimiento e instrucciones adicionales que influyen poco en las cargas de prueba. OpenAI reconoce que, para que el ejercicio sea realista, habría que exigir esas funciones, limitar el área de forma más estricta y comprobar los tiempos tras la síntesis física.
A continuación, OpenAI entrena junto con Synopsys un modelo, GPT‑Synopsys, que debe manejar las herramientas EDA (programas para diseñar y verificar chips) como lo hacen los ingenieros con experiencia. Para los equipos que construyen agentes, es un ejemplo de esquema que funciona: el modelo propone un cambio, la herramienta lo verifica y la métrica decide.
- 18 nov 2026Una sola coma china hizo que DeepSeek respondiera en chino en el 94% de los casos
- 18 nov 2026Hugging Face redirige las peticiones a LLM a través de OpenRouter: un 46% menos de errores por falta de capacidad
- 18 nov 2026Revolut acelera un 30–60% el desarrollo de funciones y delega en un agente de IA la revisión de pagos
- 18 nov 2026Los ingresos de Nvidia por centros de datos suben un 110% hasta los $107,6 mil millones: la pausa de la IA no ha hecho mella
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hicieron los modelos en Jalapeño?
OpenAI empezó a incorporar GPT‑4o al desarrollo de Jalapeño a principios de 2025. Ya ese modelo encontraba mejoras no triviales. El bloque vectorial ejecuta cálculos en paralelo. El ahorro allí vino de los sumadores y multiplicadores de coma flotante, las funciones de conversión, la lógica de reducción y el bloque de funciones especiales. El modelo probó implementaciones alternativas de la lógica y repartió los cálculos de otra manera entre las etapas del pipeline.
¿Qué se sabe sobre AMD: cambios sobre un diseño ya optimizado?
Con AMD, OpenAI trabajó sobre los mismos indicadores en una GPU insignia. Partía de diseños muy optimizados y, aun así, el modelo encontró hasta un 14% de mejora al reescribir el código RTL. Según OpenAI, eso equivale a un año de progreso comprimido en menos de 5 meses. El modelo reescribió circuitos que calculan, controlan operaciones o mueven datos, y razonó sobre ellos al nivel de un microarquitecto con experiencia. Lo importante es el circuito de verificación.
Cómo se midió en núcleos RISC-V?
Para comparar generaciones de modelos, OpenAI tomó dos núcleos abiertos de 32 bits: PicoRV32, un núcleo compacto para circuitos programables FPGA, e Ibex, el procesador integrado en el chip seguro OpenTitan. Los modelos recibieron dos tareas: acelerar un núcleo ya hecho y diseñar un núcleo desde cero a partir de requisitos escritos. El objetivo era el rendimiento, es decir, el número de instrucciones por segundo. La evaluación es estricta.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.