Jalapeño supera a Blackwell en eficiencia, pero no puede entrenar IA
OpenAI publicó el 25 de agosto de 2026 los primeros benchmarks de Jalapeño, su acelerador propio para inferencia: el ensayo con InferenceX atribuye al sistema entre 1,5 y 1,9 veces más trabajo por vatio y una latencia integral entre 1,7 y 3,6 veces menor que las configuraciones comerciales evaluadas, entre ellas Nvidia GB200 y GB300 basadas en Blackwell.
La ventaja se limita a cargas concretas de inferencia, es decir, a ejecutar modelos ya preparados. Jalapeño no puede entrenarlos, y el resultado tampoco demuestra que supere a toda la oferta de Nvidia: la comparación principal enfrentó configuraciones de predicción de un solo token y dejó fuera a Vera Rubin.
El benchmark muestra una ventaja consistente en tres modelos
InferenceX mide el recorrido completo de una solicitud, no una operación aislada dentro del acelerador. Las cargas fueron GPT‑OSS 120B, DeepSeek R1 670B y Kimi K2.5 1T, con fases de entrada y generación que permiten observar tanto el rendimiento agregado como el tiempo necesario para completar la respuesta.
La ficha publicada registra 85.448 tokens mixtos por segundo y kilovatio para Jalapeño frente a 44.960 para GB200 con GPT‑OSS, además de latencias integrales de 1,03 y 1,80 segundos, respectivamente; con DeepSeek R1, los valores fueron 19.641 frente a 11.781 y 1,65 frente a 5,99 segundos; con Kimi K2.5, 18.195 frente a 11.862 y 1,56 frente a 5,31 segundos. Son resultados del sistema formado por aceleradores, memoria, red y software, por lo que no permiten asignar toda la diferencia al silicio de Jalapeño.
El resultado más sólido no es una cifra aislada, sino que Jalapeño mantuvo una mejor combinación de rendimiento por unidad de energía y latencia en los puntos operativos divulgados. Esa formulación importa: un sistema puede maximizar el volumen de respuestas agrupándolas y, al mismo tiempo, empeorar el tiempo que espera cada usuario; la prueba intenta comparar ambos factores.
La ventaja energética cambia según qué consumo se mida
La comparación destacada normaliza el rendimiento mediante la potencia nominal publicada de cada acelerador. El análisis técnico de Tom’s Hardware recoge 700 vatios para Jalapeño, cuyo consumo sostenido permaneció en 550 vatios o menos durante las cargas, frente a 1.200 vatios para GB200 y 1.400 para GB300; al usar la potencia integral de suministro, 1,18 kW frente a 2,55 kW, o comparar con GB300 mediante predicción de múltiples tokens, la ventaja máxima de eficiencia se estrecha aproximadamente a 1,5 veces.
La potencia nominal ofrece una base común, pero no equivale al consumo total de un rack ni incorpora por sí sola refrigeración, redes auxiliares y pérdidas de alimentación. Por eso las cifras por kilovatio del gráfico principal son comparables dentro de la metodología publicada, aunque no bastan para calcular el coste energético completo de un centro de datos.
También importa la configuración de generación. Las comparaciones principales utilizaron predicción de un solo token en ambos lados, mientras que los despliegues de Nvidia pueden recurrir a predicción de múltiples tokens para aumentar el rendimiento. Vera Rubin tampoco participó, de modo que el resultado enfrenta a Jalapeño con los sistemas GB200 y GB300 probados, no con la siguiente plataforma de Nvidia.
La especialización en inferencia excluye el entrenamiento
Jalapeño es un ASIC concebido para servir modelos. Su arquitectura integra cómputo, memoria, red y software con el objetivo de reducir el movimiento de datos durante el prefill, cuando el sistema procesa la petición, y el decode, cuando produce la respuesta token a token. Esa especialización ayuda a rebajar la demora, pero no convierte al chip en un acelerador general para desarrollar modelos nuevos.
La información publicada por Axios establece que Jalapeño no está diseñado para entrenamiento, que OpenAI seguirá dependiendo de Nvidia y otros proveedores, que la capacidad inicial será limitada y que la empresa no planea vender el chip a terceros debido a su propia demanda interna.
No hay contradicción entre superar a Blackwell en este benchmark y mantener la dependencia de hardware externo. Jalapeño puede absorber parte del trabajo de servir respuestas, mientras las GPU y otros aceleradores continúan cubriendo el entrenamiento y también una parte de la inferencia. El avance reduce la dependencia en una carga específica, pero no la elimina del conjunto de la infraestructura.
Faltan pruebas externas y comparadores más recientes
Jalapeño ya es silicio funcional con resultados medidos, aunque todavía no representa un despliegue masivo. Antes de ampliar su uso, quedan la calificación de producción, la maduración del software, la validación con más modelos y la comprobación de que el rendimiento se mantiene al operar la plataforma a escala.
La evidencia disponible sostiene una ventaja frente a GB200 y GB300 en las cargas y configuraciones publicadas. Aún faltan reproducciones independientes completas, mediciones homogéneas del consumo integral, más resultados con predicción de múltiples tokens y una comparación directa con Vera Rubin.
Por ahora, Jalapeño es una alternativa interna eficiente para inferencia, no un sustituto universal de Blackwell ni del hardware que OpenAI necesita para entrenar modelos. La siguiente prueba relevante será comprobar cuánto volumen puede asumir en producción y si conserva su ventaja cuando los rivales, las configuraciones y la medición energética se equiparen.
Lee también:
Suscríbete a nuestro boletín
Reciba las últimas noticias sobre Web3, IA y criptomonedas directamente en su bandeja de entrada.