Les modèles d'OpenAI réduisent de 10–13% la surface des blocs de Jalapeño et améliorent jusqu'à 14% le GPU d'AMD
OpenAI a chargé ses modèles de réécrire le code des circuits de puces. C'est du refactoring, mais appliqué à un processeur. Dans Jalapeño, la surface des cellules diminue de 13% dans le bloc vectoriel et de 10% dans le bloc matriciel. Sur le GPU d'AMD, le gain en PPA (puissance, vitesse, surface) atteint 14%. Les outils de Synopsys ont vérifié chaque modification, et une partie d'entre elles est déjà partie en production. Enseignement : l'IA est efficace là où le résultat se vérifie automatiquement.
Traité par IA depuis OpenAI Blog ; édité par Hamidun News
OpenAI explique comment ses modèles améliorent déjà de vraies puces. Prenez un refactoring : vous reprenez une fonction qui marche et vous la réécrivez pour qu'elle s'exécute plus vite et consomme moins de mémoire, sans changer son comportement. Ici, le principe est le même, sauf qu'à la place d'une fonction, il s'agit d'un bloc de processeur décrit en code SystemVerilog (ce que l'on appelle le RTL).
Le résultat se mesure selon trois paramètres à la fois : puissance, vitesse et surface du die, que l'industrie résume en PPA. Dans Jalapeño, l'accélérateur d'inférence maison d'OpenAI, les modèles ont réduit la surface des cellules standard d'environ 13% dans le bloc vectoriel et de 10% dans le bloc matriciel. Sur un GPU d'AMD, pourtant déjà très optimisé, le gain en PPA atteint jusqu'à 14%.
Pour les développeurs, la leçon est simple : quand une tâche dispose d'une vérification automatique et d'une métrique, un modèle peut produire un résultat de niveau expert.
Ce que les modèles ont fait dans Jalapeño
OpenAI a commencé à intégrer GPT‑4o au développement de Jalapeño dès le début de 2025. Ce modèle trouvait déjà des améliorations non triviales.
Le bloc vectoriel exécute des calculs parallèles. Les économies y viennent des additionneurs et multiplieurs à virgule flottante, des fonctions de conversion, de la logique de réduction et du bloc de fonctions spéciales. Le modèle a testé d'autres implémentations de la logique et découpé autrement les calculs entre les étages du pipeline. Il a ainsi repéré des endroits où plusieurs opérations peuvent partager le même matériel, et où il faut stocker moins de données intermédiaires.
Dans le bloc matriciel, un multiplieur retravaillé occupe environ 15% de surface en moins à la synthèse, et sa latence passe de deux cycles à un. Un autre additionneur est devenu environ 15% plus petit, sans que sa latence de deux cycles change. Ces optimisations ont été confirmées sur silicium réel au démarrage de Jalapeño.
AMD : des retouches sur un design déjà optimisé
Avec AMD, OpenAI a travaillé sur les mêmes indicateurs, sur un GPU haut de gamme. Le point de départ était constitué de designs très optimisés, et le modèle a tout de même trouvé jusqu'à 14% d'amélioration en réécrivant le code RTL. Selon OpenAI, cela représente environ un an de progrès condensé en moins de 5 mois. Le modèle a réécrit des circuits qui calculent, pilotent les opérations ou déplacent les données, et il a raisonné à leur sujet au niveau d'un microarchitecte expérimenté.
La boucle de vérification est déterminante. Via les outils de Synopsys, le modèle confirmait que chaque modification ne change pas le comportement du bloc, et il évaluait le compromis entre puissance, vitesse et surface. AMD a déjà intégré une partie des changements dans le design envoyé en production, et a ajouté les autres aux fichiers de travail des versions futures. Sur les blocs clés du prochain CPU phare d'AMD, l'entreprise a confirmé de façon indépendante un gain en PPA, mais celui-ci se chiffre en quelques points de pourcentage.
Comment la mesure a été faite sur des cœurs RISC-V
Pour comparer les générations de modèles, OpenAI a pris deux cœurs 32 bits ouverts : PicoRV32, un cœur compact pour circuits programmables FPGA, et Ibex, le processeur embarqué dans la puce sécurisée OpenTitan. Les modèles avaient deux tâches : accélérer un cœur existant, et concevoir un cœur de zéro à partir d'exigences écrites. L'objectif était le débit, c'est-à-dire le nombre d'instructions par seconde.
L'évaluation est stricte. Un design recevait zéro s'il échouait aux vérifications en simulation ou si sa surface dépassait 16 fois celle de l'original. Pour les autres, on mesurait le nombre d'instructions par cycle sur des charges de travail cachées au modèle, puis on le multipliait par la fréquence maximale estimée dans Yosys. Le meilleur résultat sur chaque cœur valait 100%, et les tentatives à zéro comptaient dans la moyenne.
Avec un budget d'environ 112 000 tokens par exécution, GPT‑6.2 Astra a obtenu le meilleur résultat moyen sur les deux cœurs, et GPT‑6.1 Sol a devancé GPT‑5.6 Sol. Sur PicoRV32, le score d'Astra est environ deux fois supérieur à celui de GPT‑6 Astra. L'évaluation a porté au total sur 9 881 exécutions. En conception à partir d'exigences, les cinq modèles ont fait mieux qu'en amélioration d'un cœur existant : GPT‑6.2 Astra a atteint environ 70% du meilleur résultat sur PicoRV32 et environ 75% sur Ibex.
Réserves et suite
Tous les chiffres proviennent de la publication d'OpenAI elle-même. La valeur « jusqu'à 14% » correspond au meilleur cas, pas à la moyenne sur l'ensemble de la puce. L'avantage de la conception à partir de zéro s'explique en partie par le fait que le modèle peut omettre les compteurs de performance et des instructions supplémentaires, qui influent peu sur les charges de test. OpenAI reconnaît que, pour plus de réalisme, il faudrait exiger ces fonctions, contraindre plus strictement la surface et vérifier le timing après la synthèse physique.
Par la suite, OpenAI entraîne avec Synopsys un modèle, GPT‑Synopsys, censé utiliser les outils EDA (les logiciels de conception et de vérification de puces) comme le font des ingénieurs expérimentés. Pour les équipes qui construisent des agents, c'est un exemple de schéma qui fonctionne : le modèle propose une modification, l'outil la vérifie, la métrique tranche.
- 18 nov. 2026Une seule virgule chinoise a fait basculer DeepSeek en chinois dans 94% des réponses
- 18 nov. 2026Hugging Face route les requêtes LLM via OpenRouter : 46% d'erreurs de capacité en moins
- 18 nov. 2026Revolut accélère le développement de fonctionnalités de 30–60% et confie la vérification des paiements à un agent IA
- 18 nov. 2026Le chiffre d'affaires data center de Nvidia bondit de 110% à 107,6 milliards de dollars : la pause de l'IA n'a pas eu d'effet
Questions clés sur cet article
Que sait-on sur Ce que les modèles ont fait dans Jalapeño ?
OpenAI a commencé à intégrer GPT‑4o au développement de Jalapeño dès le début de 2025. Ce modèle trouvait déjà des améliorations non triviales. Le bloc vectoriel exécute des calculs parallèles. Les économies y viennent des additionneurs et multiplieurs à virgule flottante, des fonctions de conversion, de la logique de réduction et du bloc de fonctions spéciales. Le modèle a testé d'autres implémentations de la logique et découpé autrement les calculs entre les étages du pipeline.
Que sait-on sur AMD : des retouches sur un design déjà optimisé ?
Avec AMD, OpenAI a travaillé sur les mêmes indicateurs, sur un GPU haut de gamme. Le point de départ était constitué de designs très optimisés, et le modèle a tout de même trouvé jusqu'à 14% d'amélioration en réécrivant le code RTL. Selon OpenAI, cela représente environ un an de progrès condensé en moins de 5 mois. Le modèle a réécrit des circuits qui calculent, pilotent les opérations ou déplacent les données, et il a raisonné à leur sujet au niveau d'un microarchitecte expérimenté.
Comment la mesure a été faite sur des cœurs RISC-V?
Pour comparer les générations de modèles, OpenAI a pris deux cœurs 32 bits ouverts : PicoRV32, un cœur compact pour circuits programmables FPGA, et Ibex, le processeur embarqué dans la puce sécurisée OpenTitan. Les modèles avaient deux tâches : accélérer un cœur existant, et concevoir un cœur de zéro à partir d'exigences écrites. L'objectif était le débit, c'est-à-dire le nombre d'instructions par seconde. L'évaluation est stricte.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.