OpenAI

18 ਨਵੰਬਰ 2026

ਖੋਜਪ੍ਰਕਾਸ਼ਨ

OpenAI ਮਾਡਲਾਂ ਨਾਲ ਚਿੱਪ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਤਰੱਕੀ

OpenAI ਦੇ ਮਾਡਲ AI ਨੂੰ ਚਲਾਉਣ ਵਾਲੀਆਂ ਚਿੱਪਾਂ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਸੁਧਾਰ ਕਰ ਰਹੇ ਹਨ. ਅਗਸਤ ਵਿੱਚ,⁠ ਅਸੀਂ ਦੱਸਿਆ ਸੀ ਕਿ OpenAI ਦੇ ਇੰਜੀਨੀਅਰਾਂ ਨੇ ਸਾਡੀ ਪਹਿਲੀ ਵਿਸ਼ੇਸ਼ ਤੌਰ ’ਤੇ ਬਣਾਈ ਇਨਫਰੈਂਸ ਚਿੱਪ, Jalapeño, ਦੇ ਵਿਕਾਸ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਸਾਡੇ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕੀਤੀ. ਇੱਥੇ ਅਸੀਂ Jalapeño ਦੀ ਬਿਹਤਰੀ ਪਿੱਛੇ ਮਾਹਰ-ਪੱਧਰ ਦੇ ਡਿਜ਼ਾਈਨ ਸੁਧਾਰਾਂ ਨੂੰ ਹੋਰ ਨੇੜਿਓਂ ਦੇਖਾਂਗੇ. ਨਾਲ ਹੀ ਦੱਸਾਂਗੇ ਕਿ AMD ਨਾਲ ਮਿਲ ਕੇ ਤੀਜੀ ਧਿਰ ਦੇ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਲਿਆਉਣ ਲਈ ਅਸੀਂ ਇਹੀ ਤਰੀਕਾ ਕਿਵੇਂ ਵਰਤ ਰਹੇ ਹਾਂ.

ਚਿੱਪ ਡਿਜ਼ਾਈਨ ਦੇ ਕੰਮ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਕਰਨ ਦੀ ਸਾਡੇ ਮਾਡਲ ਦੀ ਸਮਰੱਥਾ ਮਾਪਣ ਲਈ, ਅਸੀਂ ਇਸ ਦੀਆਂ ਲਗਾਤਾਰ ਪੀੜ੍ਹੀਆਂ ਨੂੰ ਦੋ ਖੁੱਲ੍ਹੇ ਸਰੋਤ ਵਾਲੇ ਪ੍ਰੋਸੈਸਰ ਡਿਜ਼ਾਈਨਾਂ ’ਤੇ ਪਰਖਿਆ. ਇਸ ਤੋਂ ਦਿਲਚਸਪ ਨਤੀਜੇ ਮਿਲੇ. ਸਮਰੱਥਾਵਾਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਭਰੋਸੇਯੋਗ ਮੁਲਾਂਕਣ ਸਾਧਨਾਂ ’ਤੇ ਆਧਾਰਿਤ ਕਰਨ ਲਈ, ਅਸੀਂ Synopsys ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਹਾਂ. ਅਸੀਂ ਅਤਿ-ਆਧੁਨਿਕ ਬੁੱਧੀਮਤਾ ਨੂੰ ਉਨ੍ਹਾਂ ਇਲੈਕਟ੍ਰਾਨਿਕ ਡਿਜ਼ਾਈਨ ਸਵੈਚਾਲਨ (EDA) ਸਾਧਨਾਂ ਨਾਲ ਜੋੜ ਰਹੇ ਹਾਂ ਜੋ ਇੰਜੀਨੀਅਰ ਪਹਿਲਾਂ ਹੀ ਚਿੱਪਾਂ ਡਿਜ਼ਾਈਨ ਕਰਨ ਅਤੇ ਤਸਦੀਕ ਕਰਨ ਲਈ ਵਰਤਦੇ ਹਨ.

Jalapeño ਦੇ ਗਣਨਾ ਬਲਾਕਾਂ ਵਿੱਚ ਸੁਧਾਰ

ਅਸੀਂ 2025 ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ Jalapeño ਦੇ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਮਦਦ ਲਈ GPT‑4o ਦੀ ਵਰਤੋਂ ਸ਼ੁਰੂ ਕੀਤੀ. ਉਸ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲ ਨੇ ਵੀ PPA ਵਿੱਚ ਅਹਿਮ ਸੁਧਾਰ ਕਰਨ ਦੇ ਤਰੀਕੇ ਲੱਭੇ, ਜਿਵੇਂ ਕਿ:

ਵੈਕਟਰ ਇਕਾਈ ਵਿੱਚ, ਜੋ ਸਮਾਂਤਰ ਗਣਨਾ ਦੇ ਕੰਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਅਤੇ ਨਿਪਟਾਰਾ ਕਰਦੀ ਹੈ, ਬਚਤ ਫਲੋਟਿੰਗ-ਪੁਆਇੰਟ ਜੋੜਕਾਂ ਅਤੇ ਗੁਣਕਾਂ, ਰੂਪਾਂਤਰਨ ਫੰਕਸ਼ਨਾਂ, ਰਿਡਕਸ਼ਨ ਤਰਕ ਅਤੇ ਵਿਸ਼ੇਸ਼-ਫੰਕਸ਼ਨ ਇਕਾਈ ਤੋਂ ਹੋਈ. ਮਾਡਲਾਂ ਨੇ ਤਰਕ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਵਿਕਲਪੀ ਤਰੀਕੇ ਅਤੇ ਗਣਨਾਵਾਂ ਨੂੰ ਪਾਈਪਲਾਈਨ ਦੇ ਪੜਾਵਾਂ ਵਿੱਚ ਵੰਡਣ ਦੇ ਢੰਗ ਖੋਜੇ. ਇਸ ਨਾਲ ਹਾਰਡਵੇਅਰ ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਵਿਚਕਾਰਲੇ ਡੇਟਾ ਦੇ ਭੰਡਾਰਨ ਨੂੰ ਘਟਾਉਣ ਦੇ ਮੌਕੇ ਮਿਲੇ.

ਮੈਟ੍ਰਿਕਸ ਇਕਾਈ ਵਿੱਚ, ਜੋ ਇੱਕ ਅੰਕਗਣਿਤ ਹਿੱਸਾ ਹੈ, ਫਲੋਟਿੰਗ-ਪੁਆਇੰਟ ਜੋੜਕਾਂ, ਗੁਣਕਾਂ ਅਤੇ ਘੱਟ-ਸ਼ੁੱਧਤਾ ਵਾਲੇ ਡਾਟ-ਗੁਣਨਫਲ ਸਰਕਟਾਂ ਦੇ ਸੁਧਾਰਾਂ ਨੇ ਮਿਲ ਕੇ ਲਾਭ ਦਿੱਤਾ. ਇੱਕ ਗੁਣਕ ਦੇ ਨਵੇਂ ਡਿਜ਼ਾਈਨ ਨੇ ਸੰਸਲੇਸ਼ਣ ਦੌਰਾਨ ਲਗਭਗ 15% ਘੱਟ ਸੈੱਲ ਖੇਤਰ ਵਰਤਿਆ ਅਤੇ ਦੇਰੀ ਦੋ ਕਲਾਕ ਚੱਕਰਾਂ ਤੋਂ ਘਟਾ ਕੇ ਇੱਕ ਕਰ ਦਿੱਤੀ. ਇੱਕ ਵੱਖਰੇ ਜੋੜਕ ਦੇ ਨਵੇਂ ਡਿਜ਼ਾਈਨ ਨੇ ਦੋ-ਚੱਕਰੀ ਦੇਰੀ ਬਰਕਰਾਰ ਰੱਖਦਿਆਂ ਸੈੱਲ ਖੇਤਰ ਲਗਭਗ 15% ਘਟਾ ਦਿੱਤਾ. ਡਾਟ-ਗੁਣਨਫਲ ਤਰਕ ਅਤੇ ਪਾਈਪਲਾਈਨ ਦੀ ਬਣਤਰ ਵਿੱਚ ਹੋਰ ਸੁਧਾਰਾਂ ਨਾਲ ਪੂਰੇ ਬਲਾਕ ਵਿੱਚ ਵਾਧੂ ਬਚਤ ਹੋਈ.

Jalapeño ਦੇ ਸਮੁੱਚੇ ਡਿਜ਼ਾਈਨ ਯਤਨਾਂ ਲਈ ਟੀਮ ਦਾ ਅੰਦਾਜ਼ਾ ਹੈ ਕਿ ਮਾਡਲ ਵੱਲੋਂ ਸੁਝਾਏ ਬਦਲਾਵਾਂ ਨੇ ਵੈਕਟਰ ਇਕਾਈ ਵਿੱਚ ਮਿਆਰੀ ਸੈੱਲਾਂ ਦਾ ਖੇਤਰ ਲਗਭਗ 13% ਅਤੇ ਮੈਟ੍ਰਿਕਸ ਇਕਾਈ ਵਿੱਚ 10% ਘਟਾਇਆ. ਇਹ ਸੁਧਾਰ Jalapeño ਦੀ ਸਿਲੀਕਾਨ ਚਿੱਪ ਨੂੰ ਪਹਿਲੀ ਵਾਰ ਚਾਲੂ ਕਰਕੇ ਪਰਖਣ⁠ ਦੌਰਾਨ ਅਸਲ ਚਿੱਪ ’ਤੇ ਸਾਬਤ ਹੋਏ.

AMD ਨਾਲ ਸਾਡਾ ਸਹਿਯੋਗ

ਅਸੀਂ PPA ਸੁਧਾਰਾਂ ਲਈ AMD ਨਾਲ ਭਾਈਵਾਲੀ ਕੀਤੀ ਹੈ ਅਤੇ ਇਸ ਦੇ ਪ੍ਰਮੁੱਖ GPU IP ’ਤੇ ਪਹਿਲਾਂ ਹੀ ਬਹੁਤ ਅਨੁਕੂਲ ਬਣਾਏ ਆਧਾਰ ਡਿਜ਼ਾਈਨਾਂ ਦੇ ਮੁਕਾਬਲੇ 14% ਤੱਕ ਸੁਧਾਰ ਦੇਖਿਆ ਹੈ. ਸਾਡੇ ਮਾਡਲ ਨੇ ਚਿੱਪ ਦੇ ਸਰਕਟਾਂ ਦਾ ਵਰਣਨ ਕਰਨ ਵਾਲੇ ਕੋਡ (SystemVerilog RTL) ਨੂੰ ਮੁੜ ਲਿਖ ਕੇ ਹੋਰ ਸੁਧਾਰ ਲੱਭੇ. ਇਹ ਲਗਭਗ ਇੱਕ ਸਾਲ ਦੀ ਤਰੱਕੀ 5 ਮਹੀਨਿਆਂ ਤੋਂ ਵੀ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਹਾਸਲ ਕਰਨ ਦੇ ਬਰਾਬਰ ਹੈ—ਚਿੱਪ ਡਿਜ਼ਾਈਨ ਦੇ ਮੋਹਰੀ ਖੇਤਰ ਵਿੱਚ ਅਜਿਹੇ ਨਤੀਜੇ ਪਹਿਲਾਂ ਕਦੇ ਨਹੀਂ ਮਿਲੇ. AMD ਨੇ ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੁਝ ਬਦਲਾਅ ਹਾਲ ਹੀ ਵਿੱਚ ਨਿਰਮਾਣ ਲਈ ਭੇਜੇ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਸ਼ਾਮਲ ਕਰ ਲਏ ਹਨ. ਹੋਰ ਬਦਲਾਅ ਭਵਿੱਖ ਦੇ ਸੰਸਕਰਣਾਂ ਵਿੱਚ ਵਰਤਣ ਲਈ ਆਪਣੀਆਂ ਉਤਪਾਦਨ ਡਿਜ਼ਾਈਨ ਫ਼ਾਈਲਾਂ ਵਿੱਚ ਜੋੜ ਦਿੱਤੇ ਹਨ.

ਅਸੀਂ ਮਾਡਲ ਨੂੰ ਇੱਕ ਮਾਹਰ ਮਾਈਕ੍ਰੋਆਰਕੀਟੈਕਟ ਦੇ ਪੱਧਰ ’ਤੇ RTL ਬਾਰੇ ਤਰਕ ਕਰਦਿਆਂ ਦੇਖਿਆ ਹੈ. ਮਾਡਲ ਉਨ੍ਹਾਂ ਸਰਕਟਾਂ ਦਾ ਕੋਡ ਮੁੜ ਲਿਖ ਸਕਦਾ ਹੈ ਜੋ ਗਣਨਾਵਾਂ ਕਰਦੇ ਹਨ, ਕਾਰਵਾਈਆਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ ਜਾਂ ਡੇਟਾ ਦਾ ਤਬਾਦਲਾ ਕਰਦੇ ਹਨ. ਇਸ ਨੇ Synopsys ਦੇ ਸਾਧਨਾਂ ਨਾਲ ਤਸਦੀਕ ਕੀਤਾ ਕਿ ਕੋਡ ਦੀ ਹਰ ਮੁੜ-ਲਿਖਤ ਨਾਲ ਬਲਾਕ ਦਾ ਵਿਹਾਰ ਬਰਕਰਾਰ ਰਿਹਾ. ਨਾਲ ਹੀ ਬਿਜਲੀ ਦੀ ਖਪਤ, ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਖੇਤਰ ਵਿਚਕਾਰ ਲਾਭ-ਹਾਨੀ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ.

ਸਾਡੇ ਮਾਡਲ ਵੱਲੋਂ ਲਿਖੇ ਡਿਜ਼ਾਈਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, AMD ਨੇ ਆਪਣੀ ਆਉਣ ਵਾਲੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਪ੍ਰਮੁੱਖ CPU ਦੇ ਮੁੱਖ ਬਲਾਕਾਂ ਵਿੱਚ PPA ਦੇ ਇੱਕ-ਅੰਕੀ ਪ੍ਰਤੀਸ਼ਤ ਸੁਧਾਰਾਂ ਦੀ ਵੀ ਤਸਦੀਕ ਕੀਤੀ. ਅੱਗੇ ਚੱਲ ਕੇ, ਅਸੀਂ GPU ਅਤੇ CPU ਦੋਵਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਅਨੁਕੂਲ ਬਣਾਏ ਆਧਾਰ ਡਿਜ਼ਾਈਨ ਦੇ ਮੁਕਾਬਲੇ PPA ਵਿੱਚ ਹੋਰ ਸੁਧਾਰਾਂ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਾਂ.

RISC-V ਕੋਰਾਂ ਦਾ ਅਨੁਕੂਲਨ

Jalapeño ਅਤੇ AMD ਦੀਆਂ ਚਿੱਪਾਂ ’ਤੇ ਸਾਡੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਾਡਲ ਉਤਪਾਦਨ ਡਿਜ਼ਾਈਨਾਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ. ਮਾਡਲ ਦੀ ਇੱਕ ਪੀੜ੍ਹੀ ਤੋਂ ਅਗਲੀ ਤੱਕ ਚਿੱਪ ਡਿਜ਼ਾਈਨ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਤਰੱਕੀ ਮਾਪਣ ਲਈ, ਅਸੀਂ ਹਰੇਕ ਮਾਡਲ ਨੂੰ ਦੋ ਖੁੱਲ੍ਹੇ ਸਰੋਤ ਵਾਲੇ 32-ਬਿੱਟ RISC-V ਕੋਰਾਂ ’ਤੇ ਪਰਖਿਆ. PicoRV32 ਇੱਕ ਛੋਟਾ ਕੋਰ ਹੈ, ਜੋ ਮੁੜ ਪ੍ਰੋਗਰਾਮ ਕੀਤੀਆਂ ਜਾ ਸਕਣ ਵਾਲੀਆਂ FPGA ਨਾਮਕ ਚਿੱਪਾਂ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ. OpenTitan ਆਪਣੀ ਸੁਰੱਖਿਆ ਚਿੱਪ ਵਿੱਚ ਅੰਦਰੂਨੀ ਪ੍ਰੋਸੈਸਰ ਵਜੋਂ Ibex ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ. ਦੋਵਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਅੰਦਰੂਨੀ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਮਾਈਕ੍ਰੋਕੰਟਰੋਲਰ-ਸ਼੍ਰੇਣੀ ਦੇ ਕੰਮਾਂ ਲਈ ਇੱਕ ਸੰਪੂਰਨ ਪ੍ਰੋਸੈਸਰ ਕੋਰ ਹੈ.

ਅਸੀਂ ਹਰੇਕ ਮਾਡਲ ਨੂੰ ਹਰ ਕੋਰ ਦਾ ਮੂਲ ਹਾਰਡਵੇਅਰ ਵਰਣਨ ਦਿੱਤਾ ਅਤੇ ਥਰੂਪੁੱਟ ਵਧਾਉਣ ਲਈ ਕਿਹਾ (ਯਾਨੀ ਕੋਰ ਵੱਲੋਂ ਪ੍ਰਤੀ ਸਕਿੰਟ ਨਿਪਟਾਏ ਜਾ ਸਕਣ ਵਾਲੇ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਗਿਣਤੀ). ਮਿਸਾਲ ਵਜੋਂ, ਕੋਈ ਬਦਲਾਅ ਕੋਰ ਨੂੰ ਘੱਟ ਕਲਾਕ ਚੱਕਰਾਂ ਵਿੱਚ ਨਿਰਦੇਸ਼ ਪੂਰਾ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾ ਸਕਦਾ ਹੈ, ਪਰ ਹਰ ਚੱਕਰ ਦਾ ਸਮਾਂ ਵਧਾ ਸਕਦਾ ਹੈ. ਥਰੂਪੁੱਟ ਮਾਪਣ ਨਾਲ ਦੋਵੇਂ ਪ੍ਰਭਾਵ ਸਾਹਮਣੇ ਆ ਜਾਂਦੇ ਹਨ.

ਅਸੀਂ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਹਰੇਕ ਡਿਜ਼ਾਈਨ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕੀਤੀ. ਜੇ ਕੋਈ ਡਿਜ਼ਾਈਨ ਜਾਂਚ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ ਜਾਂ ਉਸ ਨੇ ਮੂਲ ਕੋਰ ਦੇ ਖੇਤਰ ਤੋਂ 16 ਗੁਣਾ ਤੋਂ ਵੱਧ ਖੇਤਰ ਵਰਤਿਆ, ਤਾਂ ਉਸ ਨੂੰ ਸਿਫ਼ਰ ਅੰਕ ਮਿਲੇ. ਪਾਸ ਹੋਏ ਡਿਜ਼ਾਈਨਾਂ ਲਈ, ਅਸੀਂ ਮਾਡਲਾਂ ਤੋਂ ਲੁਕਾਏ ਗਏ ਕੰਮਾਂ ’ਤੇ ਪ੍ਰਤੀ ਕਲਾਕ ਚੱਕਰ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਗਿਣਤੀ ਮਾਪੀ. ਅਸੀਂ ਉਨ੍ਹਾਂ ਕੰਮਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਗੁਣੋਤਰ ਔਸਤ ਲਈ ਅਤੇ ਉਸ ਨੂੰ Yosys ਨਾਲ ਅੰਦਾਜ਼ੀ ਗਈ ਵੱਧ ਤੋਂ ਵੱਧ ਕਲਾਕ ਆਵ੍ਰਿਤੀ ਨਾਲ ਗੁਣਾ ਕੀਤਾ. ਇਸ ਨਾਲ ਸਾਨੂੰ ਪ੍ਰਤੀ ਸਕਿੰਟ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਗਿਣਤੀ ਦਾ ਅੰਦਾਜ਼ਾ ਮਿਲਿਆ. ਹਰੇਕ ਕੋਰ ਲਈ, ਇੱਕੋ ਜਿਹੀਆਂ ਪਾਬੰਦੀਆਂ ਹੇਠ ਮਿਲੀ ਸਭ ਤੋਂ ਵਧੀਆ ਥਰੂਪੁੱਟ ਨੂੰ ਅਸੀਂ 1.0 ਦਾ ਸਕੋਰ ਦਿੱਤਾ. ਚਾਰਟ ਸਾਰੇ ਪਰਖ ਦੌਰਾਂ ਦਾ ਔਸਤ ਸਕੋਰ ਦਿਖਾਉਂਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਸਿਫ਼ਰ ਅੰਕਾਂ ਵਾਲੇ ਦੌਰ ਵੀ ਸ਼ਾਮਲ ਹਨ.

ਪ੍ਰਤੀ ਦੌਰ ਲਗਭਗ 112,000 ਟੋਕਨਾਂ ਦੇ ਤੁਲਨਾਯੋਗ ਬਜਟ ਨਾਲ, GPT‑6.2 Astra ਦਾ ਔਸਤ ਸਕੋਰ ਦੋਵਾਂ ਕੋਰਾਂ ’ਤੇ ਸਭ ਤੋਂ ਵੱਧ ਸੀ. GPT‑6.1 Sol ਨੇ ਵੀ ਦੋਵਾਂ ’ਤੇ GPT‑5.6 Sol ਤੋਂ ਵੱਧ ਅੰਕ ਲਏ.

ਮੌਜੂਦਾ PicoRV32 ਕੋਰ ’ਤੇ, ਵੱਡੇ ਤੁਲਨਾਯੋਗ ਬਜਟਾਂ ਵਿੱਚ GPT‑6.2 Astra ਦਾ ਔਸਤ ਸਕੋਰ ਸਭ ਤੋਂ ਉੱਚਾ ਹੈ. ਲਗਭਗ 112,000 ਟੋਕਨਾਂ ’ਤੇ, ਇਸ ਦਾ ਸਕੋਰ GPT‑6 Astra ਦੇ ਕਰੀਬ ਦੁੱਗਣਾ ਹੈ.

ਮੌਜੂਦਾ Ibex ਕੋਰ ’ਤੇ, GPT‑6.2 Astra ਦਾ ਔਸਤ ਸਕੋਰ ਇਸ ਵੱਲੋਂ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਵਧਦੇ ਬਜਟਾਂ ਨਾਲ ਲਗਾਤਾਰ ਚੜ੍ਹਦਾ ਹੈ. GPT‑6 Astra ਅਤੇ GPT‑6.1 Sol ਦੇ ਸਕੋਰ ਇੱਕ-ਦੂਜੇ ਦੇ ਵਧੇਰੇ ਨੇੜੇ ਹਨ.

ਸਪੈਸੀਫਿਕੇਸ਼ਨ ਤੋਂ RISC-V ਕੋਰ ਡਿਜ਼ਾਈਨ ਕਰਨਾ

ਦੂਜੀ ਟਾਸਕ ਲਈ, ਅਸੀਂ ਹਰੇਕ ਮਾਡਲ ਨੂੰ ਲਿਖਤੀ ਲੋੜਾਂ ਅਤੇ ਓਪਨ-ਸੋਰਸ ਕੋਡ ਤੋਂ ਲਏ ਗਏ ਟੈਂਪਲੇਟ ਦਿੱਤੇ, ਜੋ ਦਿਖਾਉਂਦੇ ਸਨ ਕਿ ਕੋਰ ਬਾਕੀ ਸਿਸਟਮ ਨਾਲ ਕਿਵੇਂ ਜੁੜਦਾ ਹੈ. ਮਾਡਲ ਨੇ ਤੈਅ ਕੀਤਾ ਕਿ ਡਾਟਾ ਕੋਰ ਵਿੱਚੋਂ ਕਿਵੇਂ ਅੱਗੇ ਵਧੇਗਾ ਅਤੇ ਕੰਮ ਨੂੰ ਪੜਾਵਾਂ ਵਿੱਚ ਕਿਵੇਂ ਵੰਡਿਆ ਜਾਵੇਗਾ. ਹਰੇਕ ਕੋਰ ਲਈ, ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਦੀਆਂ ਜਾਂਚਾਂ, ਮੈਮਰੀ ਅਤੇ ਕੈਸ਼ ਸੈਟਿੰਗਾਂ, ਅਤੇ ਥਰੂਪੁੱਟ ਦੇ ਟੀਚੇ RTL ਔਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਵਾਲੀ ਟਾਸਕ ਵਾਂਗ ਹੀ ਰੱਖੇ.

ਪ੍ਰਤੀ ਰਨ ਲਗਭਗ 112,000 ਟੋਕਨਾਂ 'ਤੇ, ਸਾਰੇ ਪੰਜ ਮਾਡਲਾਂ ਨੇ ਮੌਜੂਦਾ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦੇ ਮੁਕਾਬਲੇ ਲਿਖਤੀ ਲੋੜਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਕੋਰ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਸਮੇਂ ਵੱਧ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕੀਤੇ. ਇਹ PicoRV32 ਅਤੇ Ibex ਦੋਵਾਂ ਲਈ ਸਹੀ ਰਿਹਾ. GPT‑6.2 Astra ਨੇ PicoRV32 ਦੇ ਮੁਕਾਬਲੇ Ibex ਲਈ ਵੱਧ ਸੁਧਾਰ ਦਿਖਾਇਆ. ਪੂਰੇ ਮੁਲਾਂਕਣ ਵਿੱਚ ਦੋਵਾਂ ਟਾਸਕਾਂ, ਦੋਵਾਂ ਕੋਰਾਂ ਅਤੇ ਸਾਰੇ ਟੋਕਨ ਬਜਟਾਂ ਨੂੰ ਮਿਲਾ ਕੇ 9,881 ਰਨਜ਼ ਦੇ ਸਕੋਰ ਸ਼ਾਮਲ ਸਨ.

PicoRV32 ਸਪੈਸੀਫਿਕੇਸ਼ਨ ਤੋਂ ਸ਼ੁਰੂ ਕਰਦਿਆਂ, GPT‑6.2 Astra ਲਗਭਗ 112,000 ਟੋਕਨਾਂ ’ਤੇ 0.7 ਦੇ ਔਸਤ ਸਕੋਰ ਨੂੰ ਪਾਰ ਕਰਦਾ ਹੈ ਅਤੇ ਪਰਖੇ ਗਏ ਅਗਲੇ ਦੋ ਬਜਟਾਂ ’ਤੇ ਹੋਰ ਉੱਚੇ ਸਕੋਰ ਲੈਂਦਾ ਹੈ.

Ibex ’ਤੇ ਸਪੈਸੀਫਿਕੇਸ਼ਨ ਤੋਂ ਡਿਜ਼ਾਈਨ ਬਣਾਉਂਦਿਆਂ, GPT‑6.2 Astra ਲਗਭਗ 112,000 ਟੋਕਨਾਂ ’ਤੇ ਕਰੀਬ 0.75 ਦਾ ਔਸਤ ਸਕੋਰ ਲੈਂਦਾ ਹੈ. ਵੱਡੇ ਸਾਂਝੇ ਬਜਟਾਂ ’ਤੇ ਵੀ ਇਸ ਦੀ ਵਕਰ ਰੇਖਾ ਦੂਜਿਆਂ ਤੋਂ ਉੱਪਰ ਰਹਿੰਦੀ ਹੈ.

ਲਿਖਤੀ ਲੋੜਾਂ ਤੋਂ ਸ਼ੁਰੂਆਤ ਕਰਨ ਨਾਲ ਮਾਡਲਾਂ ਨੂੰ ਮੂਲ ਕੋਰਾਂ ਵਿੱਚ ਮੌਜੂਦ ਕੁਝ ਫੀਚਰ ਛੱਡਣ ਦੀ ਗੁੰਜਾਇਸ਼ ਮਿਲਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਕਾਰਗੁਜ਼ਾਰੀ ਕਾਊਂਟਰ ਅਤੇ ਵਾਧੂ ਨਿਰਦੇਸ਼. ਇਹ ਫੀਚਰ ਪਰਖ ਲਈ ਵਰਤੇ ਗਏ ਵਰਕਲੋਡਾਂ 'ਤੇ ਥਰੂਪੁੱਟ ਵਧਾਉਣ ਵਿੱਚ ਸ਼ਾਇਦ ਬਹੁਤਾ ਯੋਗਦਾਨ ਨਾ ਪਾਉਂਦੇ ਹੋਣ, ਜੋ ਵੱਧ ਸਕੋਰ ਮਿਲਣ ਦੇ ਇੱਕ ਹਿੱਸੇ ਦੀ ਵਜ੍ਹਾ ਸਮਝਾ ਸਕਦਾ ਹੈ. ਉਨ੍ਹਾਂ ਫੀਚਰਾਂ ਨੂੰ ਲਾਜ਼ਮੀ ਕਰਨਾ, ਸਰਕਟ ਦੇ ਖੇਤਰਫਲ 'ਤੇ ਹੋਰ ਸਖ਼ਤ ਸੀਮਾ ਲਗਾਉਣਾ ਅਤੇ ਭੌਤਿਕ ਸੰਸਲੇਸ਼ਣ ਤੋਂ ਬਾਅਦ ਟਾਈਮਿੰਗ ਦੀ ਜਾਂਚ ਕਰਨਾ ਇਸ ਪਰਖ ਨੂੰ ਪ੍ਰੋਡਕਸ਼ਨ ਚਿੱਪ ਡਿਜ਼ਾਈਨ ਦੀ ਵਧੇਰੇ ਸਹੀ ਨੁਮਾਇੰਦਗੀ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਏਗਾ.

ਅੱਗੇ ਕੀ ਹੈ

ਅਸੀਂ ਦਿਖਾਇਆ ਹੈ ਕਿ ਸਾਡੇ ਮਾਡਲ RISC-V ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ ਪ੍ਰੋਸੈਸਰ ਦੀਆਂ ਨਵੀਆਂ ਆਰਕੀਟੈਕਚਰਾਂ ਦੀ ਪੜਚੋਲ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ Jalapeño ਤੇ AMD ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਪ੍ਰਮੁੱਖ GPU ਅਤੇ CPU ਵਰਗੇ ਉੱਨਤ ਪ੍ਰੋਡਕਸ਼ਨ ਡਿਜ਼ਾਈਨਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਤੋਂ ਮੌਜੂਦ ਸੁਧਾਰਾਂ ਤੋਂ ਇਲਾਵਾ ਨਵੇਂ ਸੁਧਾਰ ਵੀ ਲਿਆ ਸਕਦੇ ਹਨ. ਮਾਡਲ ਵਿਕਾਸ ਨੂੰ ਭਰੋਸੇਯੋਗ ਮੁਲਾਂਕਣ ਸਿਸਟਮਾਂ 'ਤੇ ਆਧਾਰਿਤ ਕਰਨ ਅਤੇ ਡਿਜ਼ਾਈਨ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਦੇ ਦਾਇਰੇ ਨੂੰ ਵਧਾਉਣ ਲਈ, ਅਸੀਂ Synopsys ਨਾਲ ਭਾਈਵਾਲੀ ਕਰ ਰਹੇ ਹਾਂ ਤਾਂ ਜੋ GPT‑Synopsys⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਨਾਮਕ ਇੱਕ ਨਵੇਂ ਮਾਡਲ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ Synopsys ਦੇ ਇਲੈਕਟ੍ਰੌਨਿਕ ਡਿਜ਼ਾਈਨ ਆਟੋਮੇਸ਼ਨ (EDA) ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕੇ, ਜਿਵੇਂ ਮਾਹਰ ਚਿੱਪ ਡਿਜ਼ਾਈਨਰ ਕਰਦੇ ਹਨ.