Por Canuto  

Arm sostiene que su CPU AGI alcanza casi el doble del rendimiento por rack que el AMD EPYC 9755 en un modelo basado en siete cargas de trabajo. La cifra depende, en buena medida, de la potencia estimada y de cuántos servidores caben en un presupuesto energético limitado, mientras que las pruebas por chip muestran una ventaja menor y resultados mixtos.
***

  • La comparación de Arm arroja una ventaja media de 1,20 veces por chip y de 1,99 veces por rack frente al EPYC 9755.
  • El resultado por rack es modelado, no una medición de dos racks completos, y cambia a cerca de 1,81 veces bajo otro supuesto de memoria.
  • Signal65 revisó registros y cálculos, pero no reprodujo las pruebas en su propio laboratorio ni pudo verificar algunas configuraciones clave.

Arm atribuye a su CPU AGI casi el doble de rendimiento por rack que AMD

Arm afirma que su CPU AGI, diseñada para cargas de trabajo de inteligencia artificial agéntica en centros de datos, logra casi el doble del rendimiento por rack que el AMD EPYC 9755. La estimación combina resultados de siete pruebas con un modelo de potencia y capacidad de servidores, por lo que no equivale a una medición directa de dos racks completos trabajando en paralelo. El análisis independiente de Signal65 revisó los resultados y cálculos, aunque sus conclusiones se limitan a los procesadores y configuraciones seleccionados.

La comparación llega en un momento en que los centros de datos usan CPU para algo más que preparar datos y alimentar aceleradores: también ejecutan herramientas, consultan bases de datos y coordinan las tareas de agentes de IA. Arm propone evaluar ese trabajo por la utilidad que un sistema mantiene mientras responde, en lugar de concentrarse solo en la cantidad de agentes simultáneos. Su propuesta busca incorporar factores como el consumo eléctrico y el espacio disponible, pero todavía no constituye un estándar acordado por toda la industria.

Una metodología centrada en el trabajo de los agentes

En un flujo agéntico, un modelo puede planificar una tarea y recurrir a servicios externos, herramientas de software o datos recuperados para completarla. Aunque la inferencia del modelo suele asociarse con aceleradores, la CPU sostiene buena parte del trabajo alrededor de ese proceso: ejecuta herramientas, atiende solicitudes a bases de datos y API, prepara información y organiza la actividad de los aceleradores. Esa carga puede crecer a medida que los sistemas delegan más pasos a agentes de software.

Arm sostiene que contar cuántos agentes pueden ejecutarse a la vez no basta para describir el rendimiento, porque una mayor concurrencia no garantiza que completen tareas con eficiencia. Si las ejecuciones se ralentizan o los aceleradores esperan a la CPU, el número de agentes en funcionamiento puede dar una impresión engañosa de la capacidad real. Por eso, su marco pone el foco en cuánto trabajo útil mantiene el sistema sin perder capacidad de respuesta.

La metodología, desarrollada con apoyo de Fujitsu, Meta y OpenAI, propone seleccionar cargas representativas, medir el desempeño de la CPU bajo condiciones controladas y comprobar si las mejoras se reflejan en tareas completas. Una prueba aislada de base de datos, por ejemplo, puede mostrar cuántas transacciones procesa un sistema, pero una evaluación de extremo a extremo también debe establecer si acelerar esa base mejora el flujo de trabajo que depende de ella. El marco plantea vincular las mediciones técnicas con resultados que tengan relevancia para el agente.

Repetir una tarea agéntica exactamente de la misma manera es difícil: el agente puede escoger comandos distintos o seguir otra ruta en cada ejecución, mientras que la inferencia y los servicios remotos añaden demoras. Para reducir esa variabilidad, Arm propone reproducir acciones previamente registradas y así presentar una secuencia de trabajo consistente a cada plataforma. Su documento establece cómo seleccionar e interpretar estas mediciones, pero deja a la industria la tarea de acordar un conjunto común de pruebas y una forma compartida de calcular puntuaciones.

Qué midieron Arm y AMD

Arm comparó su procesador con el EPYC 9755 de AMD, un chip de 128 núcleos, mediante siete cargas de trabajo que cubren servicios de servidor y tareas asociadas con agentes. Las pruebas incluyeron MySQL para transacciones de bases de datos, NGINX para solicitudes web y API, y Milvus para consultas de búsqueda vectorial. También midieron Terminal-Bench 2, SWE-bench replay, fastText y la sobrecarga de CPU de vLLM.

Terminal-Bench 2 reúne 72 tipos de tareas de agentes en contenedores aislados y ejecuta 128 copias a la vez; su métrica es el tiempo de finalización. SWE-bench replay representa flujos de ingeniería de software con 259 tareas y se mide en tareas por minuto, mientras fastText registra palabras por segundo en entrenamiento de representaciones de palabras. MySQL usa transacciones por segundo, NGINX solicitudes por segundo y Milvus consultas por segundo.

La prueba de vLLM registra solicitudes por segundo mientras omite el cálculo del modelo, de modo que mide la sobrecarga de CPU alrededor del servicio y no la velocidad de inferencia de una GPU. Asimismo, la categoría de razonamiento y planificación del informe agrupa cargas de trabajo de soporte ejecutadas por CPU; no evalúa si un modelo razona mejor o produce respuestas más inteligentes. Esta distinción importa porque el nombre de una prueba puede sugerir una capacidad más amplia que la que realmente mide.

La disponibilidad de equipos llevó a Arm a usar dos configuraciones de su CPU AGI: una versión de 128 núcleos a 2,8 GHz con DDR5-7200 para Terminal-Bench 2 y SWE-bench replay, y otra de 136 núcleos a 3,2 GHz con DDR5-8000 para las cinco pruebas restantes. La plataforma AMD usó un EPYC 9755 de 128 núcleos con DDR5-6400. Ambas ejecutaron los mismos scripts de prueba, pero no idénticos entornos de software.

La ventaja cambia al pasar del chip al rack

Por chip, Arm obtuvo mejores resultados en cinco de las siete pruebas, aunque el EPYC 9755 se impuso en MySQL y Milvus. Frente a AMD, la CPU AGI registró una ventaja de 9% en Terminal-Bench 2, 13% en SWE-bench replay y 97% en fastText; en cambio, quedó 12% por debajo en MySQL y 5% abajo en Milvus. Al promediar los siete cocientes de rendimiento normalizados, Arm calculó una ventaja de 1,20 veces por chip.

Los resultados por chip también muestran ventajas de 1,20 veces en NGINX y de 1,16 veces en la sobrecarga de CPU de vLLM. La tabla de Arm asigna a la CPU AGI frente al EPYC 9755 cocientes de 0,88 en MySQL, 1,20 en NGINX, 1,09 en Terminal-Bench 2, 1,13 en SWE-bench replay, 0,95 en Milvus, 1,16 en vLLM y 1,97 en fastText. El promedio aritmético de esos valores es 1,20 veces.

La brecha crece en el modelo por rack: Arm calculó un promedio de 1,99 veces a su favor en las siete cargas. Para llegar a esa cifra, el análisis parte de un rack con presupuesto de 24 kW, reserva cerca de 8% para redes y distribución eléctrica, y estima que caben 23 servidores Arm de 128 núcleos o 21 de 136 núcleos, frente a 13 servidores AMD. El modelo usa potencias estimadas de servidor de 950 W y 1.050 W para las dos configuraciones Arm, y 1.700 W para AMD, incluida la memoria y otros componentes.

En SWE-bench replay, por ejemplo, el cociente de 2,00 veces por rack surge de combinar la ventaja por chip, cercana a 1,13 veces, con la proporción de 23 servidores Arm frente a 13 de AMD. Las cifras modeladas por rack fueron 1,43 veces en MySQL, 1,95 en NGINX, 1,93 en Terminal-Bench 2, 2,00 en SWE-bench, 1,54 en Milvus, 1,88 en vLLM y 3,19 en fastText. La mayor ganancia general proviene de la cantidad de servidores que el modelo permite instalar dentro del mismo límite de potencia.

Alcance de la verificación y otras formas de medir

La estimación también depende de cómo se asigna la memoria a cada servidor. En el escenario principal, Arm modeló alrededor de 1 TB de RAM por servidor, frente a cerca de 2 TB para AMD, al asignar 4 GB por hilo de hardware: cada núcleo AMD admite dos hilos y cada núcleo Arm uno. El informe atribuyó a la memoria una asignación de potencia de 192 W en Arm y 336 W en AMD, una diferencia que influye en cuántos equipos caben en el presupuesto energético.

Signal65 calculó además un escenario en que la memoria se asigna por núcleo físico, en vez de por hilo. Con ese cambio, la asignación de memoria y potencia de AMD disminuye y la ventaja media modelada de Arm por rack cae de 1,99 a cerca de 1,81 veces. La cantidad de RAM adicional asignada a AMD puede ser útil según las necesidades de las cargas, pero el uso de SMT no exige por sí mismo duplicar la memoria; por ello, ese supuesto afecta la comparación.

Para revisar los resultados, Signal65 observó a distancia las pruebas de Arm y examinó registros originales, archivos de salida, scripts y datos de configuración. Su equipo reconstruyó los cálculos con código propio y reprodujo los siete resultados con diferencias inferiores a 0,5%, pero no volvió a ejecutar las pruebas en un laboratorio independiente. Además, solo pudo confirmar de forma independiente la BIOS y la configuración de memoria del sistema EPYC 9965; esos datos no estuvieron disponibles para los equipos Arm y EPYC 9755.

Las diferencias de software y las lagunas de verificación limitan cuánto puede atribuirse el resultado exclusivamente a los procesadores: Arm usó compilaciones personalizadas de Linux 7.1.3, con Ubuntu 24.04 en la mayoría de las pruebas y Ubuntu 26.04 en SWE-bench, mientras que la configuración AMD registrada empleó Ubuntu 24.04 y Linux 6.8, con ajustes variables según la prueba. Arm defiende su marco como posible estándar, pero otros fabricantes utilizan métricas distintas. AMD promueve agentes por vatio, dólar y rack, y usa los hilos disponibles como aproximación a la capacidad, aclarando que el rendimiento depende de la carga y el sistema.

En otro análisis, AMD modeló un rack de 100 kW y atribuyó al EPYC 9965 un rendimiento 2,37 veces superior al de Vera de Nvidia, mediante una media geométrica de seis cargas de infraestructura. Nvidia, por su parte, destaca el rendimiento de un solo hilo y el ancho de banda de memoria de Vera, y afirma que un rack con 256 CPU admite más de 22.500 entornos de CPU concurrentes. Esas cifras describen cargas, supuestos de potencia y métodos de agregación diferentes, por lo que no permiten establecer una comparación directa con el cálculo de Arm.

La comparación de Arm se hizo contra el procesador Turin de quinta generación de AMD, no contra una prueba directa de todas las alternativas mencionadas. El informe también señala la familia EPYC 9006 de sexta generación, conocida como Venice, orientada a la IA agéntica. En consecuencia, la afirmación de casi el doble por rack debe leerse como un resultado modelado para equipos, pruebas y condiciones concretos, no como una clasificación general de CPU para cualquier sistema de inteligencia artificial.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados