Jalapeño : les premiers chiffres de la puce d'OpenAI battent NVIDIA — mais personne ne les a encore reproduits hors de ses laboratoires

Jalapeño avait été annoncé le 24 juin 2026 avec Broadcom ; le 25 août, OpenAI en a publié les premières données de performance. La nouveauté n'est pas la puce, mais le fait que des chiffres comparables au matériel NVIDIA apparaissent enfin sur un benchmark public. Selon les tests menés avec InferenceX, la suite open source de SemiAnalysis, le processeur affiche un débit par kilowatt de 1,5 à 1,9 fois supérieur et une latence de bout en bout de 1,7 à 3,6 fois inférieure à celles des systèmes NVIDIA GB200 et GB300 (le pic de latence a été relevé sur le modèle DeepSeek R1 670B face au système GB300). InferenceX publie ses résultats sur un tableau de bord public généré par des workflows GitHub Actions dont les journaux sont visibles pendant l'exécution, mais l'origine des chiffres de Jalapeño reste en partie opaque. SemiAnalysis a confirmé l'existence du silicium ; le degré de sa vérification, lui, reste ouvert : certaines reconstitutions écrivent que ses ingénieurs ont exécuté eux-mêmes les charges dans les laboratoires d'OpenAI, d'autres qu'ils ont assisté à des exécutions dont les chiffres restent fournis par l'entreprise. Elles s'accordent en revanche sur deux points : la suite AgentX — charges agentiques multi-tours à contexte long — n'a pas été passée sur Jalapeño, et il n'existe aucune reproduction indépendante sur du matériel tiers.

Il faut le préciser : la comparaison oppose des accélérateurs de classes de puissance différentes. Jalapeño fonctionne à 700 W nominaux (avec une consommation soutenue inférieure à 550 W lors des tests), tandis que les systèmes NVIDIA de référence se situent à 1 200 W et 1 400 W. OpenAI déclare avoir bouclé le tape-out en neuf mois seulement, en s'appuyant sur ses propres modèles pour la conception, mais les détails techniques restent maigres : nœud de gravure, capacité mémoire et coût par token n'ont pas été communiqués. La feuille de route prévoit de faibles volumes d'ici fin 2026 et un déploiement significatif en 2027, avec une deuxième génération déjà en développement.

Pendant qu'OpenAI diffuse ces résultats — qualifiés d'« avancée très significative par rapport à l'état de l'art » par son responsable matériel Richard Ho —, NVIDIA a clos son deuxième trimestre fiscal 2027, achevé en juillet, avec un chiffre d'affaires de 89 milliards de dollars dans le segment centres de données, en hausse de 117 % sur un an. Son PDG, Jensen Huang, a décrit l'IA comme étant « à son point d'inflexion », avec des tokens « productifs et rentables ». OpenAI, de son côté, répète vouloir continuer à utiliser des accélérateurs NVIDIA et ceux d'autres partenaires, mais le message est clair : pour l'inférence à grande échelle, le silicium maison pourrait vite devenir un levier stratégique.

Reste un détail qui n'a rien d'accessoire : les benchmarks publiés ne portent que sur des charges open weights (GPT-OSS 120B, DeepSeek R1 670B et Kimi K2.5 1T) et n'incluent ni l'entraînement ni les modèles propriétaires. Ajoutons que l'étalon de comparaison est la génération Blackwell, alors que NVIDIA a déjà annoncé l'architecture suivante, Rubin : l'écart mesuré aujourd'hui l'est sur du matériel en fin de cycle. L'avantage annoncé se limite à un scénario précis et n'a, pour l'heure, pas été répliqué hors des laboratoires d'OpenAI. La vraie question n'est pas de savoir de combien Jalapeño est plus efficace que Blackwell, mais si et quand cette efficacité deviendra une donnée publique, auditable et industrialisable.

— Olya