Significant Performance Gains Reinforce Imagination’s GPU-First Strategy
Imagination Technologies’ first performance figures for its E-Series GPU IP turn its “GPU-first” strategy from an architectural proposition into a measurable product claim. The company is arguing that edge systems do not need separate, lightly utilised blocks for graphics, general compute and artificial intelligence. Instead, one programmable GPU architecture, supported by one software stack, can execute all three classes of workload and dynamically allocate silicon as demand changes.
이매지네이션 테크놀로지스(Imagination Technologies)의 E-시리즈 GPU IP에 대한 첫 성능 수치는 그들의 "GPU 우선(GPU-first)" 전략을 단순한 아키텍처적 제안에서 측정 가능한 제품 주장의 단계로 끌어올립니다. 이 회사는 엣지 시스템(Edge systems)이 그래픽, 범용 연산, 인공지능을 위해 각각 따로 분리되어 활용도가 낮은 하드웨어 블록들을 가질 필요가 없다고 주장합니다. 대신 하나의 프로그래밍 가능한 GPU 아키텍처와 하나의 소프트웨어 스택만으로도 세 가지 유형의 워크로드를 모두 실행할 수 있으며, 수요 변화에 따라 실시간으로 실리콘 자원을 동적으로 할당할 수 있습니다.
Technically, E-Series extends the parallel graphics pipeline with a tightly integrated Matrix Accelerator. It supports high- and low-precision formats including BF16, FP4 and MX, which are important because edge inference typically trades numerical precision for throughput, memory efficiency and lower energy use. Unlike a fixed-function neural processor, the GPU programming model can accommodate new operators after a chip has been manufactured. That matters when model architectures evolve faster than semiconductor design cycles.
기술적으로 E-시리즈는 병렬 그래픽 파이프라인에 긴밀하게 통합된 매트릭스 가속기(Matrix Accelerator)를 확장 적용했습니다. 이 제품은 BF16, FP4, MX를 비롯한 고정밀 및 저정밀 포맷을 지원하는데, 이는 엣지 추론(Edge inference)이 대개 처리량, 메모리 효율, 그리고 낮은 전력 소모를 위해 수치 정밀도를 타협하기 때문에 매우 중요합니다. 고정 기능(Fixed-function) 신경망 프로세서와 달리, GPU 프로그래밍 모델은 칩이 제조된 이후에도 새로운 연산자(Operator)를 수용할 수 있습니다. 이는 모델 아키텍처가 반도체 설계 주기보다 더 빠르게 진화할 때 특히 중요합니다.
Imagination reports substantial generation-on-generation gains. Against an equivalent D-Series design, E-Series is claimed to deliver 4.7 times faster prefill for a representative edge language model, 4.4 times faster Conv2D kernels and 4.8 times faster GEMM kernels. Matrix multiplication can reach 89% GPU utilisation. On a quad-core EXD-64-2048 running at 1.5GHz, the company says a quantised Qwen 3.5 4B model achieves 0.2-second time to first token and 150-token-per-second decoding, using a 1,500-token input and output.
이매지네이션은 세대를 거듭하며 상당한 성능 향상을 이루어냈다고 보고합니다. 동급의 D-시리즈 설계와 비교할 때, E-시리즈는 대표적인 엣지 언어 모델에서 4.7배 빠른 프리필(Prefill, 프롬프트 사전 처리), 4.4배 빠른 Conv2D 커널, 그리고 4.8배 빠른 GEMM 커널 성능을 제공한다고 주장합니다. 행렬 곱셈은 89%의 GPU 활용률에 도달할 수 있습니다. 1.5GHz로 구동되는 쿼드코어 EXD-64-2048 환경에서, 양자화된 Qwen 3.5 4B 모델을 1,500토큰의 입출력 조건으로 실행할 경우 첫 토큰 생성 시간(Time to first token) 0.2초와 초당 150토큰의 디코딩 속도를 달성한다고 회사는 밝힙니다.
Those numbers address two different user experiences. Prefill performance determines how quickly a model processes its prompt, while decode throughput determines how rapidly it produces the answer. A low first-token delay makes an assistant feel responsive; sustained decoding supports richer local generation. However, these remain vendor results on specified workloads, not independent comparisons across complete systems. Memory type, thermal limits, compiler maturity and model implementation will strongly affect shipping-device performance.
이러한 수치들은 두 가지 서로 다른 사용자 경험을 해결합니다. 프리필 성능은 모델이 프롬프트를 얼마나 빠르게 처리하는지 결정하며, 디코딩 처리량은 답변을 얼마나 빠르게 생성하는지 결정합니다. 첫 토큰 지연 시간이 짧으면 AI 비서가 반응성이 좋다고 느껴지게 만들고, 지속적인 디코딩 성능은 더 풍부한 온디바이스 생성을 뒷받침합니다. 다만, 이는 지정된 워크로드에서 측정한 공급업체측 결과일 뿐 전체 시스템을 아우르는 독립적인 비교 결과는 아닙니다. 메모리 유형, 전력/발열 한계, 컴파일러 성숙도, 그리고 모델 구현 방식은 실제 양산 기기의 성능에 강력한 영향을 미칠 것입니다.
E-Series also applies AI acceleration inside the rendering pipeline. Imagination’s Neural Super Resolution uses temporal data to reconstruct a 1080p image from a 540p render. Its single-pass network uses proprietary compression that removes about 65% of weights, completing the upscale in as little as 2.3 milliseconds on one E-Series core at 1GHz. The company says the technique roughly halves memory bandwidth versus native rendering while producing imagery close to ground truth. By rendering fewer source pixels, a device can redirect power and compute budget toward frame rate or visual complexity.
E-시리즈는 렌더링 파이프라인 내부에도 AI 가속을 적용합니다. 이매지네이션의 신경망 초해상도(Neural Super Resolution) 기술은 시계열 데이터를 활용해 540p 렌더링 화면을 1080p 이미지로 재구성합니다. 싱글 패스(Single-pass) 네트워크는 가중치의 약 65%를 제거하는 독자적인 압축 방식을 사용하여, 1GHz로 작동하는 1개의 E-시리즈 코어에서 최소 2.3밀리초 만에 업스케일링을 완료합니다. 회사는 이 기술이 기본 렌더링 방식에 비해 메모리 대역폭을 대략 절반으로 줄이면서도 실제 원본에 가까운 화질을 구현한다고 말합니다. 장치는 더 적은 수의 소스 픽셀을 렌더링함으로써 전력과 연산 자원을 프레임 레이트나 시각적 복잡도를 높이는 데 재배치할 수 있습니다.
Conventional graphics has not been sidelined. Imagination claims up to 54% better gaming performance than the prior-generation equivalent, more than 60 frames per second in selected AAA PC titles on a quad-core configuration, and up to 39% higher performance per watt. DirectX 12 Feature Level 11_0 expands compatibility, while planned PowerVR SDK, Unreal Engine and Godot integrations reduce adoption friction for developers.
기존 그래픽 성능도 소홀히 다루지 않았습니다. 이매지네이션은 이전 세대 동급 제품 대비 최대 54% 향상된 게이밍 성능, 쿼드코어 구성에서 일부 AAA급 PC 타이틀에서 초당 60프레임 이상의 구동, 그리고 전력당 성능이 최대 39% 향상되었다고 주장합니다. DirectX 12 기능 수준 11_0으로 호환성이 확장되었으며, 계획된 PowerVR SDK, 언리얼 엔진(Unreal Engine), 고도(Godot) 엔진과의 통합은 개발자들의 채택 마찰을 줄여줍니다.
Why does this matter? Edge-chip designers face a worsening integration problem. Every accelerator adds interfaces, verification work, memory traffic, drivers and toolchains. Consolidation can reduce engineering cost and die-area waste, while a programmable resource is less likely to sit idle when workload mixes change. It may also keep sensitive data on-device, reduce cloud latency and make capable AI available where connectivity is limited.
이것이 왜 중요할까요? 엣지 칩 설계자들은 갈수록 심화되는 통합 문제에 직면해 있습니다. 가속기가 늘어날 때마다 인터페이스, 검증 작업, 메모리 트래픽, 드라이버, 그리고 툴체인이 늘어납니다. 통합을 통해 엔지니어링 비용과 다이 면적 낭비를 줄일 수 있으며, 프로그래밍 가능한 자원은 워크로드 조합이 바뀔 때 유휴 상태로 방치될 확률이 낮아집니다. 또한 민감한 데이터를 기기 내에 안전하게 유지하고, 클라우드 지연 시간을 줄이며, 연결이 제한된 환경에서도 뛰어난 AI 기능을 사용할 수 있게 해줍니다.
The strategy nevertheless involves trade-offs. A unified GPU may not beat a purpose-built NPU on every operation or power envelope, and software compatibility matters as much as peak arithmetic. Imagination’s upstream Llama.cpp backend, with PyTorch and ONNX Runtime support planned, is therefore strategically important: hardware without familiar deployment paths rarely wins developer commitment.
그럼에도 불구하고 이 전략에는 상충 관계(Tradeoff)가 따릅니다. 통합형 GPU가 모든 연산이나 전력 효율 면에서 목적 전용 NPU(신경망 처리장치)를 이기지 못할 수도 있으며, 최고 연산 성능만큼이나 소프트웨어 호환성도 중요합니다. 따라서 PyTorch 및 ONNX 런타임 지원이 예정되어 있는 이매지네이션의 업스트림 Llama.cpp 백엔드는 전략적으로 매우 중요합니다. 익숙한 배포 경로가 없는 하드웨어는 개발자의 지지를 얻기 어렵기 때문입니다.
Bottom line: The announcement is best viewed as validation, not victory. Multiple partners have licensed E-Series and first silicon is expected to tape out later in 2026, but production chips must still confirm performance, efficiency and scalability. If they do, Imagination will offer semiconductor vendors a credible alternative to increasingly fragmented heterogeneous designs—and demonstrate that the GPU can become the organising processor for edge intelligence, not merely the engine that draws the screen. That would strengthen competition in licensable GPU IP while giving device makers greater architectural choice as AI, graphics and compute steadily converge at the edge.
요약하자면, 이번 발표는 승리라기보다는 검증으로 보는 것이 가장 타당합니다. 여러 파트너사들이 E-시리즈 라이선스를 확보했고 첫 번째 실리콘 칩은 2026년 후반에 테이프아웃(시제품 설계 완료)될 것으로 예상되지만, 양산 칩은 여전히 성능, 효율성, 그리고 확장성을 입증해내야 합니다. 만약 성공한다면, 이매지네이션은 점차 세분화되는 이기종(Heterogeneous) 설계의 대안을 반도체 제조사들에게 제시할 것이며, GPU가 단순히 화면을 그려내는 엔진에 머무르지 않고 엣지 인텔리전스를 총괄하는 프로세서로 진화할 수 있음을 증명하게 될 것입니다. 이는 AI, 그래픽, 연산이 엣지에서 꾸준히 융합됨에 따라 디바이스 제조사들에게 더 넓은 아키텍처적 선택지를 제공하는 동시에, 라이선스 기반 GPU IP 시장의 경쟁을 한층 강화할 것입니다.
