Die Zahlen, die OpenAI veröffentlicht hat
OpenAI nutzte die Hot-Chips-2026-Konferenz am 25. August, um die ersten öffentlichen Benchmark-Ergebnisse für Jalapeno vorzustellen, den Inferenzchip, den das Unternehmen in rund neun Monaten gemeinsam mit Broadcom entwickelt hat. Im SemiAnalysis-InferenceX-Benchmark über drei Modelle, GPT-OSS-120B, DeepSeek R1 und Kimi K2.5, lieferte Jalapeno das 1,5- bis 1,9-Fache an KI-Arbeit pro Watt gegenüber Nvidias GB300 und senkte die End-zu-Ende-Latenz um das 1,7- bis 3,6-Fache, bei den interaktivsten Lasten sogar um das 2,1- bis 4,1-Fache.
Der Chip ist für 700 Watt Leistungsaufnahme ausgelegt, lag in den getesteten Lasten aber bei 550 Watt oder darunter. Ein einzelnes Rack mit 128 Chips liefert 1,7 Exaflops bei 4-Bit-Rechnungen sowie 27,5 Terabyte HBM4-Speicher, ein vollständiger Pod skaliert auf 2.048 Chips. OpenAI plant eine Auslieferung in kleinem Umfang bis Ende 2026, mit Skalierung über 2027.
| Kennzahl | OpenAIs Behauptung |
|---|---|
| Arbeit pro Watt | 1,5- bis 1,9-mal mehr als Nvidia GB300 |
| End-zu-Ende-Latenz | 1,7- bis 3,6-mal niedriger als Nvidia GB300 |
| Nennleistung | 700 Watt, im Test bei 550 Watt oder darunter |
| Zeitplan für Auslieferung | Kleiner Umfang bis Ende 2026, Skalierung über 2027 |
Warum eine Watt-Zahl in Europa mehr wiegt, als die Schlagzeile nahelegt
Ein echter Effizienzgewinn dieser Größenordnung wäre weit über OpenAIs eigene Rechenzentren hinaus relevant, denn er trifft mitten in die europäische Debatte, ob das Stromnetz den KI-Ausbau überhaupt trägt. Irlands Netzbetreiber hat neue Rechenzentrums-Anschlüsse rund um Dublin bis 2028 eingefroren, und die diese Woche berichteten Spot-Preisspitzen in Ungarn zeigen, wie eng die europäische Netzkapazität bereits ist; ein Chip, der real 40 Prozent weniger Strom pro Recheneinheit braucht, wäre genau die Entlastung für diesen Engpass.
Die Lücke: Außerhalb von OpenAI hat bislang niemand den Vergleich nachgerechnet. Der Benchmark nutzte OpenAIs eigene Modellauswahl, OpenAIs eigene Entscheidung für den Vergleich mit GB300 statt mit Nvidias neuerer Vera-Rubin-Generation, und es liegt kein unabhängiges Laborergebnis daneben vor.
Was mit einer herstellereigenen Zahl zu tun ist
Behandeln Sie das so, wie jedes Einkaufsteam einen herstellereigenen Benchmark behandeln sollte: als echte Information, die man verfolgen sollte, aber noch keine Planungsgröße. Unabhängige Effizienzdaten kommen normalerweise über MLPerf-Inferenzergebnisse oder passende Labortests Dritter auf Hardware, die der Hersteller nicht kontrolliert, und beides existiert für Jalapeno noch nicht.
Für jeden EU-Infrastrukturplaner, Versorger oder Netzbetreiber, der einen Netzanschlussantrag bearbeitet, der sich auf die Effizienz einer neuen Chip-Generation als Begründung für Kapazität beruft, ist die richtige Reaktion, nach dem zugrunde liegenden Benchmark und dessen Betreiber zu fragen, statt eine herstellereigene Folie als Ersatz für einen unabhängigen Test zu akzeptieren.
Weiterlesen: Die Nvidia-Steuer hat jetzt eine zweite Quelle | 74 Von 130 Geschmuggelten KI-Servern Erreichten China
