Diseñar compiladores automáticos optimizadores es un proceso de ingeniería avanzado que requiere una gran cantidad de experiencia, programación, pruebas y experimentación. Mantener el enfoque y adaptarlo a bibliotecas y entornos en evolución es un esfuerzo que consume mucho tiempo. En los últimos años, OpenAI ha presentado el modelo GPT, que está diseñado para muchos campos como la informática, el procesamiento de imágenes, la lingüística y la medicina. También admite la programación automática y la traducción entre lenguajes de programación, así como entre idiomas humanos. Este artículo verificará la usabilidad del modelo LLM, GPT, comúnmente conocido, para el código del algoritmo paralelo de NPDP Nussinov dentro del estándar OpenMP para crear un equivalente paralelo de CUDA para tarjetas gráficas NVIDIA. El objetivo de este enfoque es evitar la creación de scripts de postprocesamiento y escribir líneas de código objetivo. Para validar el código de salida, compararemos los arrays resultantes con los calculados por el código optimizado para la CPU generado empleando los compiladores poliédricos. Finalmente, se comprobará la escalabilidad y el rendimiento del código. Nos concentraremos en evaluar las capacidades de GPT, resaltando los desafíos comunes que se pueden refinar durante los procesos de aprendizaje futuros. Esto mejorará la generación de código para diversas plataformas aprovechando los resultados de los optimizadores poliédricos.