Modelos da OpenAI reduzem em 10–13% a área dos blocos do Jalapeño e melhoram em até 14% a GPU da AMD
A OpenAI encarregou modelos de reescrever o código de circuitos de chips, algo como um refactoring, só que para processadores. No Jalapeño, a área das células caiu 13% no bloco vetorial e 10% no matricial. Na GPU da AMD, o ganho de PPA (potência, velocidade, área) chegou a 14%. Cada alteração foi verificada por ferramentas da Synopsys, e parte delas já foi para produção. A conclusão: a IA rende mais onde o resultado pode ser verificado automaticamente.
Processado por IA de OpenAI Blog; editado por Hamidun News
A OpenAI contou como seus modelos já melhoram chips reais. Pense em um refactoring: você pega uma função que funciona e a reescreve para que rode mais rápido e ocupe menos memória, mas se comporte exatamente da mesma forma. Aqui é a mesma ideia, só que no lugar da função entra um bloco do processador, descrito em código SystemVerilog (o chamado RTL).
O resultado é medido por três parâmetros ao mesmo tempo: potência, velocidade e área do die, que a indústria abrevia como PPA. No Jalapeño, o acelerador próprio da OpenAI para inferência, os modelos reduziram a área das células padrão em cerca de 13% no bloco vetorial e em 10% no matricial. Na GPU da AMD, que já era bastante otimizada, o ganho de PPA foi de até 14%.
Para desenvolvedores, a lição é simples: quando a tarefa tem verificação automática e uma métrica, o modelo consegue entregar resultado de nível especialista.
O que os modelos fizeram no Jalapeño
A OpenAI começou a incluir o GPT‑4o no desenvolvimento do Jalapeño já no início de 2025. Mesmo esse modelo encontrou melhorias nada triviais.
O bloco vetorial executa cálculos em paralelo. A economia ali veio dos somadores e multiplicadores de ponto flutuante, das funções de conversão, da lógica de redução e da unidade de funções especiais. O modelo testou outras implementações da lógica e dividiu os cálculos de forma diferente entre os estágios do pipeline. Com isso, identificou pontos em que operações distintas podem compartilhar o mesmo hardware e em que é preciso armazenar menos dados intermediários.
No bloco matricial, um multiplicador, depois da reformulação, passou a ocupar cerca de 15% menos área na síntese, e a latência caiu de dois ciclos de clock para um. Outro somador ficou cerca de 15% menor, e sua latência de dois ciclos permaneceu a mesma. Essas otimizações foram confirmadas em silício real quando o Jalapeño foi ligado.
AMD: ajustes sobre um projeto já otimizado
Com a AMD, a OpenAI trabalhou nos mesmos indicadores em uma GPU topo de linha. A base eram projetos muito otimizados e, ainda assim, o modelo encontrou melhorias de até 14% ao reescrever o código RTL. Segundo a OpenAI, isso equivale a cerca de um ano de progresso, comprimido em menos de 5 meses. O modelo reescreveu circuitos que calculam, controlam operações ou movem dados, e raciocinou sobre eles no nível de um microarquiteto experiente.
O ciclo de verificação é o ponto importante. Por meio de ferramentas da Synopsys, o modelo confirmava que cada alteração não mudava o comportamento do bloco e avaliava o equilíbrio entre potência, velocidade e área. A AMD já incorporou parte das mudanças ao projeto enviado para produção e adicionou as demais aos arquivos de trabalho das próximas versões. Nos blocos-chave da próxima CPU topo de linha, a AMD confirmou de forma independente o ganho de PPA, mas ele é de poucos pontos percentuais.
Como a medição foi feita em núcleos RISC-V
Para comparar gerações de modelos, a OpenAI usou dois núcleos abertos de 32 bits: o PicoRV32, um núcleo compacto para FPGAs, e o Ibex, processador embarcado no chip seguro OpenTitan. Os modelos receberam duas tarefas: acelerar um núcleo pronto e projetar um núcleo do zero a partir de requisitos escritos. O objetivo era a vazão, ou seja, o número de instruções por segundo.
A avaliação é rigorosa. O projeto recebia nota zero se não passasse nas verificações em simulação ou se ocupasse uma área mais de 16 vezes maior que a do original. Nos demais casos, media-se o número de instruções por ciclo em cargas de trabalho ocultas ao modelo e multiplicava-se pela frequência máxima, estimada no Yosys. O melhor resultado em cada núcleo foi tomado como 100%, e as tentativas zeradas entraram na média.
Com um orçamento de cerca de 112 mil tokens por execução, o GPT‑6.2 Astra teve o melhor resultado médio nos dois núcleos, e o GPT‑6.1 Sol superou o GPT‑5.6 Sol. No PicoRV32, o resultado do Astra é cerca de duas vezes maior que o do GPT‑6 Astra. No total, a avaliação teve 9 881 execuções. No projeto a partir de requisitos, os cinco modelos pontuaram mais do que na melhoria de um núcleo pronto: o GPT‑6.2 Astra chegou a cerca de 70% do melhor resultado no PicoRV32 e a aproximadamente 75% no Ibex.
Ressalvas e próximos passos
Todos os números vêm da própria publicação da OpenAI. O valor "até 14%" refere-se ao melhor caso, e não à média do chip inteiro. A vantagem do projeto do zero se explica em parte porque o modelo pode deixar de incluir contadores de desempenho e instruções adicionais que pouco influenciam as cargas de teste. A OpenAI reconhece que, para ser mais realista, é preciso exigir essas funções, restringir a área com mais rigor e verificar o timing após a síntese física.
Agora, a OpenAI treina com a Synopsys o modelo GPT‑Synopsys, que deve trabalhar com ferramentas de EDA (programas para projetar e verificar chips) como engenheiros experientes fazem. Para equipes que constroem agentes, é um exemplo de arranjo que funciona: o modelo propõe a alteração, a ferramenta verifica e a métrica decide.
- 18 de nov. de 2026Uma vírgula chinesa fez o DeepSeek responder em chinês em 94% dos casos
- 18 de nov. de 2026Hugging Face direciona requisições de LLM pela OpenRouter: erros por falta de capacidade caem 46%
- 18 de nov. de 2026Revolut acelera o desenvolvimento de funcionalidades em 30–60% e entrega a verificação de pagamentos a um agente de IA
- 18 de nov. de 2026Receita de data centers da Nvidia sobe 110% e chega a US$ 107,6 bilhões: a pausa na IA não se confirmou
Perguntas frequentes sobre a notícia
O que os modelos fizeram no Jalapeño?
A OpenAI começou a incluir o GPT‑4o no desenvolvimento do Jalapeño já no início de 2025. Mesmo esse modelo encontrou melhorias nada triviais. O bloco vetorial executa cálculos em paralelo. A economia ali veio dos somadores e multiplicadores de ponto flutuante, das funções de conversão, da lógica de redução e da unidade de funções especiais. O modelo testou outras implementações da lógica e dividiu os cálculos de forma diferente entre os estágios do pipeline.
O que se sabe sobre AMD: ajustes sobre um projeto já otimizado?
Com a AMD, a OpenAI trabalhou nos mesmos indicadores em uma GPU topo de linha. A base eram projetos muito otimizados e, ainda assim, o modelo encontrou melhorias de até 14% ao reescrever o código RTL. Segundo a OpenAI, isso equivale a cerca de um ano de progresso, comprimido em menos de 5 meses. O modelo reescreveu circuitos que calculam, controlam operações ou movem dados, e raciocinou sobre eles no nível de um microarquiteto experiente. O ciclo de verificação é o ponto importante.
Como a medição foi feita em núcleos RISC-V?
Para comparar gerações de modelos, a OpenAI usou dois núcleos abertos de 32 bits: o PicoRV32, um núcleo compacto para FPGAs, e o Ibex, processador embarcado no chip seguro OpenTitan. Os modelos receberam duas tarefas: acelerar um núcleo pronto e projetar um núcleo do zero a partir de requisitos escritos. O objetivo era a vazão, ou seja, o número de instruções por segundo. A avaliação é rigorosa.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.