OpenAI Jalapeño ile watt başına 1,9 kat hız iddia ediyor

OpenAI, 25 Ağustos 2026 tarihli sonuç yazısında Jalapeño çıkarım sisteminin üç açık modelde karşılaştırma sistemlerinden watt başına 1,5–1,9 kat daha fazla yapay zekâ işi ürettiğini ve uçtan uca gecikmeyi 1,7–3,6 kat azalttığını açıkladı. Başlıktaki “1,9 kat hız”, çip saat frekansını değil, tepe kapasite noktasında paket güç değerine göre tamamlanan işi anlatıyor.

25 Ağustos’ta yayımlanan sonuçlar çalışan silikon üzerinde ölçülmüş olsa da Jalapeño’nun her koşulda Nvidia donanımından hızlı olduğunu göstermiyor. Tom’s Hardware’ın karşılaştırma incelemesi, ana testlerin Nvidia GB200 ve GB300 sistemleriyle sınırlı kaldığını, Vera Rubin’i kapsamadığını ve Jalapeño’nun eğitim için tasarlanmadığını belirtiyor.

InferenceX testinde hangi modeller ve ölçütler kullanıldı?

Test, SemiAnalysis’in herkese açık InferenceX paketi üzerinde GPT‑OSS 120B, DeepSeek R1 670B ve bir trilyon parametreli Kimi K2.5 modellerini kapsadı. Nominal iş yükü, 8 bin giriş ve bin çıkış token’ından oluşuyor; ana karşılaştırmalar tek token tahminiyle yürütülüyor. Ölçülen özne yalnızca hızlandırıcı değil, çip, bellek, ağ, sunum yazılımı ve raf ölçeğindeki bileşenlerden oluşan sistem.

İki ana ölçüt farklı soruları yanıtlıyor. Tepe karma token/saniye/kilovat, belirli bir güç bütçesiyle sistemin ne kadar iş tamamladığını; uçtan uca gecikme ise isteğin tamamlanma süresini gösteriyor. Bu nedenle watt başına kapasite ile tek bir kullanıcının gördüğü yanıt hızı aynı ölçü değil.

Model ve karşılaştırma eşleşmelerinin doğrulama özeti şöyle:

• GPT‑OSS 120B: 700 W paket güç değerli Jalapeño, 1.200 W değerli GB200 ile karşılaştırıldı. Tepe kapasite watt başına yaklaşık 1,9 kat yüksek, uçtan uca gecikme yaklaşık 1,7 kat düşük ölçüldü.
• DeepSeek R1 670B: Karşılaştırma 1.400 W paket güç değerli GB300 ile yapıldı. Bildirilen farklar watt başına tepe kapasitesinde yaklaşık 1,7 kat, gecikmede yaklaşık 3,6 kat oldu.
• Kimi K2.5 1T: GB300 karşısında watt başına tepe kapasitesi yaklaşık 1,5 kat yüksek, uçtan uca gecikme yaklaşık 3,4 kat düşük çıktı.

Dolayısıyla 1,9 kat, üç modelin ortak sonucu veya bütün çalışma noktalarında korunan sabit bir üstünlük değil. Seçilmiş test kümesindeki en yüksek watt başına tepe kapasitesi farkı.

Nvidia karşılaştırması neden koşullu?

Ana verimlilik hesabı, hızlandırıcıların yayımlanmış paket güç değerleriyle normalize edildi. Jalapeño’nun paket değeri 700 W olmasına rağmen testlerde ölçülen sürekli tüketimi 550 W veya altında kaldı. Paket değerlerini kullanmak karşılaştırılabilir bir taban sağlıyor, ancak sunucu işlemcisi, ağ ve soğutma dahil veri merkezinin toplam tüketimini doğrudan göstermiyor.

OpenAI’ın ek hesabında hızlandırıcı başına şebekeden çekilen toplam güç Jalapeño için 1,18 kW, GB300 için 2,55 kW olarak ele alındığında avantaj daralıyor. GB300’ün üretimde kullanılan çoklu token tahmini yapılandırması karşılaştırmaya katıldığında tepe verimlilik farkı da yaklaşık 1,5 kata iniyor. Bu iki kontrol Jalapeño’nun önde olduğu sonucu ortadan kaldırmıyor, fakat manşetteki üst sınırın yöntem seçimine duyarlı olduğunu gösteriyor.

Donanım nesli de eşleşmiyor. Jalapeño’nun ana rakipleri Blackwell tabanlı GB200 ve GB300 iken Nvidia’nın daha yeni Vera Rubin platformu testte yok. Ayrıca Jalapeño çıkarıma odaklı bir ASIC; bu sonuçlardan eğitim performansı, genel programlanabilirlik veya Nvidia’nın yazılım ekosistemi hakkında bir üstünlük çıkarılamaz.

Bulut maliyeti ve gecikmesi için olası anlamı

Jalapeño son kullanıcıya satılacak bir cihaz olarak konumlandırılmıyor. Etki, OpenAI’ın aynı veri merkezi güç bütçesi içinde daha fazla çıkarım isteği karşılayabilmesi ve özellikle ardışık model çağrıları yapan ajanlarda bekleme sürelerini azaltabilmesi üzerinden ortaya çıkabilir.

Maliyet etkisi şimdilik yalnızca senaryo olarak hesaplanabilir. Aynı kalite ve gecikme hedefindeki bir iş yükü gerçekten watt başına 1,5 kat daha fazla çıktı üretirse, hızlandırıcı düzeyindeki enerji kullanımı çıktı başına teorik olarak üçte bir azalır. Bu aritmetik sunucu, ağ, soğutma, boşta çalışma, yazılım, çip verimi ve sermaye giderlerini içermediği için API fiyatlarına aynı oranda yansıyacağı söylenemez.

Benchmark’ın doğruladığı sinyal, özel çıkarım donanımının güç başına kapasiteyi artırabileceği. Teknik kazancın müşteriye daha düşük fiyat, daha kısa bekleme, daha yüksek kullanılabilirlik veya OpenAI için daha iyi işletme marjı olarak nasıl dağılacağı ise henüz ölçülmüş değil.

Dağıtım takvimi sonucu neden sınırlıyor?

Jalapeño henüz geniş ölçekte çalışan bir üretim platformu değil. TechCrunch’ın Hot Chips haberinde OpenAI donanım yöneticisi Richard Ho, dağıtımın 2026 sonunda “çok küçük hacimlerde” başlayacağını ve daha anlamlı kurulumların 2027’de geleceğini söyledi.

OpenAI üretim yeterliliği, yazılım olgunluğu, daha fazla modelde doğrulama ve ölçekli işletim hazırlıkları üzerinde çalışıyor. Şirket aynı zamanda eğitim ve çıkarım için Nvidia ile diğer ortakların hızlandırıcılarını kullanmayı sürdüreceğini belirtiyor; Jalapeño kısa vadede bu sistemlerin tamamının yerini alacak bir ürün olarak sunulmuyor.

Şimdilik doğrulanmış tablo, çalışan birinci nesil silikon ve üç açık model üzerinde güçlü fakat üretici tarafından yayımlanmış sonuçlardan ibaret. İddianın gerçek üretim ekonomisine dönüşüp dönüşmediğini belirleyecek sonraki kanıtlar; daha geniş model kapsamı, tesis düzeyinde güç ölçümü, çoklu token tahminiyle eşleştirilmiş testler, yeni rakip sistemlerle karşılaştırma ve 2027’de ulaşılan dağıtım ölçeği olacak.

Ayrıca okuyun:

• Roman Teleskobu fırlatmaya hazır: Hubble’dan 100 kat geniş görecek