OpenAI ha revelado el rendimiento técnico de Jalapeño, su primer procesador diseñado específicamente para la inferencia de modelos de inteligencia artificial, prometiendo una infraestructura más eficiente con respuestas aceleradas, agentes de alta capacidad y una fiabilidad operativa superior para los usuarios finales.
Arquitectura y diseño del hardware Jalapeño
El desarrollo de Jalapeño responde a una estrategia de integración vertical donde el diseño del chip se realiza bajo una estrecha colaboración técnica con la empresa Broadcom. Esta plataforma ha sido concebida bajo una visión multigeneracional que busca armonizar el ciclo de vida de los productos, los modelos de lenguaje, el silicio y los subsistemas de memoria. El director de hardware de la organización, Richard Ho, sostiene que este hardware destaca por su eficiencia energética al gestionar cargas de trabajo para múltiples clientes simultáneos, manteniendo niveles mínimos de latencia en la entrega de resultados. La integración en la infraestructura de cómputo propia de la compañía está programada para ejecutarse antes del cierre del presente año.
Compatibilidad y pruebas de rendimiento en modelos
La validación del rendimiento de Jalapeño abarca un espectro diverso de arquitecturas, demostrando su eficacia tanto en modelos internos como en desarrollos externos. Los datos técnicos confirman su operatividad en los modelos GPT-OSS 120B, DeepSeek R1 y Kimi K2.5 1T. Durante las evaluaciones, el procesador ha superado los estándares de la industria al incrementar la capacidad de trabajo por vatio en rangos que oscilan entre 1.5 y 1.9 veces respecto a sistemas comparables durante los periodos de consumo pico. La latencia, medida de principio a fin, ha experimentado una reducción significativa al mejorar los tiempos de respuesta entre 1.7 y 3.6 veces en comparación con soluciones similares.
Eficiencia operativa y comparativa frente a Nvidia
En escenarios caracterizados por una alta interacción y el despliegue de agentes de inteligencia artificial, el procesador ha demostrado una superioridad técnica que multiplica el rendimiento entre 2.1 y 4.1 veces. Respecto a su perfil de consumo energético, la unidad cuenta con una potencia nominal de 700 W, aunque los registros de pruebas reales indican que el hardware opera de manera estable a 550 W o incluso por debajo de esa cifra. El desglose por modelo confirma una mejora de 1.9 veces en el rendimiento por kilovatio para el modelo GPT-OSS 120B, un aumento de 1.7 veces para DeepSeek R1 y una optimización de 1.5 veces para el modelo Kimi K2.5 1T. Los resultados obtenidos en la plataforma de benchmark InferenceX posicionan a esta tecnología por encima de las arquitecturas Blackwell GB200 y GB300 desarrolladas por Nvidia, garantizando un mayor volumen de tokens por usuario y un procesamiento más denso por unidad de energía consumida.
(Con información de Europa Press)
