Imagination publica los primeros benchmarks de la GPU E‑Series con mejoras en escalado AI y velocidad de pre‑relleno LLM

Imagination ha revelado los primeros datos de referencia públicos de su próximo procesador gráfico E‑Series. Los resultados, suministrados por los laboratorios independientes LeiPhone y Jon Peddie Research, se centran en dos capacidades principales: Neural Super Resolution (NSR) para el escalado de imágenes y la fase de pre‑relleno de los grandes modelos de lenguaje (LLM) ejecutados en el mismo silicio.

La tecnología NSR, denominada por Imagination como Neural Super Resolution, afirma duplicar la resolución de una imagen de origen en apenas 2,3 milisegundos. La medición se realizó bajo condiciones controladas usando los conjuntos de pruebas de LeiPhone y Jon Peddie Research, que aplicaron una carga de trabajo estandarizada de escalado de 4K a 8K. No se divulgaron otros datos temporales ni cifras comparativas más allá del valor de 2,3 ms.

En paralelo, los benchmarks indican que el paso de pre‑relleno para los grandes modelos de lenguaje —una operación intensiva en memoria que carga los pesos del modelo en la memoria GPU antes de la inferencia— se ejecuta 4,7 veces más rápido en la E‑Series que en la generación anterior D‑Series de Imagination. Tanto LeiPhone como Jon Peddie Research observaron el mismo factor de aceleración en una variedad de tamaños de modelo, aunque los modelos exactos y las configuraciones de lotes no fueron enumerados.

Arquitectura de acelerador de matrices

Un elemento central del aumento de rendimiento es la inclusión de un acelerador de matrices dedicado dentro de la GPU E‑Series. El acelerador admite un conjunto de formatos de datos de baja precisión, entre los que se encuentran MXFP8, MXFP4, BF16 y FP4. Estos formatos están diseñados para reducir el ancho de bits de las operaciones tensoriales, incrementando así el rendimiento de multiplicaciones de matrices y núcleos de convolución que dominan las cargas de trabajo de IA.

Imagination afirma que el acelerador de matrices está estrechamente acoplado al motor de sombreado. Al incrustar la unidad de matrices directamente en la tubería de renderizado diferido basada en tiles (TBDR), se minimiza el movimiento de datos entre el rasterizador gráfico y los bloques de cómputo AI. El análisis de LeiPhone atribuye hasta un 39 % de mejora en la eficiencia energética a esta integración, aunque la metodología exacta de medida no se detalla.

Pila de software unificada

Otro argumento de Imagination es que la E‑Series puede programarse mediante una única pila de software que abarca APIs gráficas tradicionales (OpenCL, Vulkan) y marcos de IA (Llama.cpp, ONNX, PyTorch). La compañía sostiene que esto reduce el número de controladores necesarios y acorta los ciclos de calificación para los diseñadores de sistemas en chip (SoC) que deben soportar tanto renderizado como inferencia AI en el mismo dado.

La pila unificada está pensada para simplificar el desarrollo en plataformas integradas donde la memoria, la energía y el área del silicio son recursos limitados. Al reutilizar la misma infraestructura de controladores para renderizado y IA, los OEM podrían evitar mantener suites de validación independientes para gráficos y aceleradores de redes neuronales.

Beneficios de ancho de banda y compresión

Imagination también destaca las características de compresión del modelo NSR. Según la empresa, la red NSR está comprimida en aproximadamente un 65 % de su tamaño original. Esta compresión se traduce en una reducción del 50 % de la demanda de ancho de banda de memoria en comparación con una ruta de renderizado nativa que no emplea NSR.

La menor exigencia de ancho de banda es especialmente relevante para los SoC que apuntan a pantallas de alta resolución pero están limitados por los interfaces de memoria. Imagination indica un ancho de banda máximo de memoria de 768 GB/s para la plataforma E‑Series, aunque aclara que el rendimiento real dependerá de cuánto de ese ancho de banda se asigne a gráficos frente a cargas de trabajo AI.

Si bien la compresión alivia la presión sobre el ancho de banda, Imagination reconoce que la calidad visual de los fotogramas escalados por NSR sigue siendo “cercana” al resultado de renderizado nativo de referencia. No se proporcionaron métricas cuantitativas de calidad, como PSNR o SSIM, en el comunicado de referencia.

Limitaciones y arquitectura heterogénea

Imagination es transparente al afirmar que la GPU E‑Series no sustituye a las unidades de procesamiento neuronal (NPU) dedicadas para todas las tareas de IA. Las cargas que exigen latencia ultra‑baja o operadores altamente especializados podrían seguir siendo más adecuadas para NPUs diseñadas específicamente. Por ello, la compañía posiciona la E‑Series como un componente dentro de un tejido de cómputo heterogéneo que incluye CPUs, NPUs y otros aceleradores.

La documentación del benchmark también subraya que el impacto en el mundo real dependerá de la adopción por parte de los ingenieros de software y de las configuraciones de memoria del SoC. El aumento de 4,7× en la velocidad de pre‑relleno LLM, por ejemplo, asume un subsistema de memoria capaz de ofrecer los 768 GB/s anunciados. Los sistemas con menor ancho de banda podrían observar ganancias reducidas.

Del mismo modo, la latencia de 2,3 ms para el escalado NSR se midió bajo condiciones de prueba ideales. Los documentos advierten que un despliegue industrial podría experimentar variabilidad debido a la madurez del controlador, el estrangulamiento térmico o la integración con otros componentes del sistema.

• Neural Super Resolution duplica la resolución en 2,3 ms
• Pre‑relleno LLM 4,7× más rápido que la D‑Series
• Acelerador de matrices admite MXFP8, MXFP4, BF16, FP4
• Pila unificada reduce el número de controladores en OpenCL, Vulkan, PyTorch

La lista anterior resume las cuatro cifras principales que Imagination y los laboratorios independientes han publicado. Todas las demás observaciones de rendimiento permanecen cualitativas o se expresan como mejoras relativas sin números absolutos.

Desde un punto de vista práctico, las organizaciones que evalúan la E‑Series para dispositivos integrados o de borde deben sopesar los aumentos de velocidad documentados frente a las incertidumbres resaltadas en el informe de referencia. Las ganancias de eficiencia energética vinculadas al renderizado basado en tiles y a la integración del acelerador de matrices sugieren un menor consumo por fotograma, lo que podría ser valioso para productos alimentados por batería.

Sin embargo, la dependencia de una pila de software unificada implica que los equipos de desarrollo tendrán que verificar la compatibilidad con sus cadenas de herramientas existentes. Si una empresa ya emplea una NPU dedicada para inferencias críticas en latencia, la E‑Series podría complementar en lugar de reemplazar ese hardware, requiriendo una partición cuidadosa de las cargas de trabajo.

El ancho de banda de memoria sigue siendo un factor decisivo. Los sistemas que no puedan provisionar los 768 GB/s completos podrían no alcanzar la mejora del 39 % en eficiencia energética ni la aceleración de 4,7× en el pre‑relleno LLM. Por ello, los diseñadores deberían evaluar su subsistema de memoria desde las primeras fases de planificación del SoC.

Por último, los datos de referencia no garantizan una adopción amplia en la industria. Los proveedores de software deben integrar el nuevo modelo NSR y las API del acelerador de matrices en sus motores de renderizado y marcos de IA antes de que los usuarios finales puedan beneficiarse. Hasta que esa integración ocurra, los números de rendimiento permanecen como escenarios óptimos observados en entornos de laboratorio controlados.