OpenAI affirme avoir obtenu jusqu'à 14 % d'amélioration du compromis entre performance, consommation et surface sur le GPU phare d'AMD, face à des références déjà très optimisées. Certaines modifications ont été intégrées à une conception envoyée en fabrication. L'entreprise présente aussi des évaluations sur des processeurs RISC-V, avec des réserves sur leur représentativité industrielle.
Les tests autorisent des fonctions en moins
Concevoir un processeur à partir d'exigences écrites n'impose pas de reproduire toutes les fonctions du circuit initial. OpenAI souligne que ses modèles peuvent ainsi écarter des compteurs de performance ou des instructions supplémentaires. Ces éléments contribuant parfois peu au débit mesuré, leur absence pourrait expliquer une partie de l'avantage observé. Pour se rapprocher des contraintes industrielles, l'entreprise juge nécessaire de les imposer, de resserrer la limite de surface et de contrôler les contraintes temporelles après synthèse physique.
Dans cette épreuve, les modèles disposent d'exigences écrites et d'exemples de code open source décrivant les interfaces avec le système. Ils décident du cheminement des données et du découpage des opérations en étapes. Les vérifications de correction, les paramètres de mémoire et de cache ainsi que les objectifs de débit restent ceux de l'épreuve consistant à modifier un circuit existant. Selon OpenAI, autour de 112 000 jetons par exécution, les cinq modèles testés obtiennent de meilleurs scores avec cette méthode sur PicoRV32 comme sur Ibex.
GPT-6.2 Astra en bénéficie davantage sur Ibex que sur PicoRV32, indique l'entreprise. À partir des exigences PicoRV32, son score moyen atteint 0.7 près de 112 000 jetons, puis progresse aux deux budgets suivants examinés. Pour Ibex, il avoisine 0.75 au même budget et demeure supérieur à celui des autres modèles lorsque les budgets communs augmentent.
AMD retient des circuits réécrits par modèle
Le partenariat entre AMD et OpenAI porte sur le PPA, qui regroupe performance, consommation électrique et surface. Pour améliorer ces critères sur le matériel d'AMD, le modèle réécrit le SystemVerilog RTL, langage décrivant les circuits. OpenAI compare les progrès obtenus en moins de 5 mois à environ un an de travail. L'entreprise lui attribue un raisonnement de niveau microarchitecte expert et indique qu'il peut réécrire des circuits de calcul, de commande ou de transfert des données.
Selon OpenAI, AMD a retenu certaines propositions pour une conception récemment transmise à la fabrication, et en a inscrit d'autres dans ses fichiers de production destinés à des versions futures. AMD a également vérifié des améliorations du PPA à un chiffre en pourcentage dans des blocs importants de son prochain CPU phare, à partir de circuits écrits par le modèle. OpenAI prévoit d'autres gains face à la référence la plus optimisée, sans les présenter comme déjà acquis.
Les outils de Synopsys ont servi au modèle à contrôler l'équivalence de comportement des blocs modifiés et à mesurer les arbitrages entre les critères du PPA, précise OpenAI. OpenAI et Synopsys s'associent pour entraîner GPT-Synopsys à utiliser les outils d'automatisation de la conception électronique, ou EDA, de Synopsys à la manière de concepteurs experts.
Vous suivez la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
OpenAI mesure le débit sur deux processeurs
Pour comparer les générations de modèles, OpenAI a choisi deux processeurs RISC-V 32 bits open source, capables d'exécuter des tâches de type microcontrôleur. PicoRV32 est un cœur compact destiné aux FPGA, des puces reprogrammables ; Ibex est le processeur embarqué de la puce de sécurité OpenTitan. L'ensemble de l'évaluation totalise 9 881 exécutions notées, réparties entre les tâches d'optimisation et de conception, les cœurs et les différents budgets de jetons.
Dans l'épreuve d'optimisation, le modèle reçoit la description matérielle d'origine avec pour consigne d'accroître les instructions exécutées par seconde. Cette mesure tient compte aussi bien du nombre de cycles requis que de leur durée : une instruction nécessitant moins de cycles peut s'accompagner de cycles plus longs. OpenAI contrôle les conceptions par simulation et leur attribue zéro en cas d'échec à une vérification ou si leur surface dépasse 16 fois celle du cœur initial.
Pour les circuits acceptés, les instructions par cycle sont mesurées sur des tâches cachées aux modèles. Leur moyenne géométrique est multipliée par la fréquence maximale estimée avec Yosys pour obtenir un débit estimé. Le meilleur débit constaté pour chaque cœur, sous des contraintes identiques, reçoit la note 1.0 ; les moyennes intègrent aussi les essais notés zéro.
Selon OpenAI, GPT-6.2 Astra arrive en tête sur les deux cœurs autour de 112 000 jetons par essai, tandis que GPT-6.1 Sol dépasse GPT-5.6 Sol sur chacun. Sur PicoRV32 existant, GPT-6.2 Astra conserve l'avantage aux budgets comparables les plus élevés et obtient, vers 112 000 jetons, environ deux fois le score de GPT-6 Astra. Sur Ibex existant, son résultat moyen progresse encore avec les budgets supérieurs testés. GPT-6 Astra et GPT-6.1 Sol y sont plus proches.
Jalapeño a été validée sur silicium
Sur Jalapeño, sa première puce dédiée à l'inférence, OpenAI indique avoir commencé à employer GPT-4o au début de 2025. L'entreprise avait annoncé en août que ses modèles avaient accéléré le développement. D'après l'entreprise, GPT-4o a amélioré le PPA et la mise en service a confirmé les optimisations sur silicium. L'équipe évalue à environ 13 % pour l'unité vectorielle et à 10 % pour l'unité matricielle la réduction de surface des cellules standard.
Les changements apportés à l'unité vectorielle, responsable des calculs parallèles, concernent les additionneurs et multiplicateurs à virgule flottante, les conversions, la logique de réduction et l'unité de fonction spéciale. Selon OpenAI, les modèles ont proposé d'autres organisations logiques et d'autres répartitions des calculs entre étapes du pipeline. Ces explorations ont permis d'identifier des possibilités de partage du matériel et de réduction du stockage intermédiaire.
Dans l'unité matricielle, les travaux concernent les additionneurs à virgule flottante, les multiplicateurs et les circuits calculant des produits scalaires à faible précision. OpenAI rapporte qu'un multiplicateur remanié occupe environ 15 % de surface de cellule en moins à la synthèse, avec une latence ramenée de deux cycles d'horloge à un. Un additionneur distinct économise environ 15 % de surface en conservant sa latence de deux cycles. D'autres économies proviennent de modifications des circuits de produit scalaire et de l'agencement du pipeline.






