Открытый анлокер GPU-unlock обещает снять программные ограничения Nvidia на матричные вычисления у видеокарт GeForce RTX 30 и RTX 40. В отдельных ИИ-нагрузках авторы сообщают о приросте до 60%, а для владельцев рабочих станций с локальными моделями это может оказаться заметнее очередного минорного обновления драйвера.
О появлении проектов GPU-unlock и GPU-unlock-ADA сообщает Habr / Новости. Решения рассчитаны на RTX 30 на чипах GA102, GA103, GA104 и GA106, а также на карты линейки RTX 40. Их задача не в разгоне частот и не в добавлении несуществующих CUDA-ядер: проекты пытаются убрать программное ограничение скорости части матричных операций, которые активно используют нейросети.
Речь идёт прежде всего о тензорных вычислениях, включая сценарии с FP32 и BF16. Именно они важны при обучении, дообучении и инференсе некоторых моделей. По данным авторов, разблокировка запускается раньше штатного драйвера видеокарты и не требует перепрошивать GPU или модифицировать драйвер Nvidia. Это принципиально отличает подход от привычных экспериментов с BIOS, где цена ошибки легко превращается в вечер с программатором и очень плохим настроением.
Ограничения, которые пытается обойти анлокер GPU-unlock, связывают с сегментацией продуктовой линейки Nvidia. Игровые GeForce физически способны выполнять многие операции, востребованные в ИИ, но компания отделяет их от профессиональных и датацентровых ускорителей не только объёмом памяти, интерфейсами и поддержкой корпоративных функций. Производительность в отдельных типах вычислений тоже может быть частью этой границы. Для домашних лабораторий, небольших команд и разработчиков, которые не готовы покупать серверное железо, такая граница давно выглядит особенно раздражающей.
Предпосылки у проекта довольно специфические. GPU-unlock опирается на исследования, связанные с разблокировкой прошивок видеокарт CMP — устройств, созданных для криптомайнинга. Авторы перенесли часть выводов в контекст потребительских GPU и локальных ИИ-задач. Тесты, о которых говорится в публикации, показывают прирост производительности до 60% в зависимости от конкретной карты и характера нагрузки. Это верхняя граница, а не гарантированный результат для каждой RTX 3080, 3090 или карты серии RTX 40.
Самый наглядный эффект ожидается в генеративной графике и видео: источник указывает на ускорение почти до 60% при работе с локальными моделями. Но универсальным средством от нехватки вычислительных ресурсов проект не станет. При генерации текста большими языковыми моделями узким местом часто оказывается пропускная способность видеопамяти, а также взаимодействие GPU с оперативной памятью и процессором. Разблокировка матричных операций не увеличивает ни шину памяти, ни объём VRAM. Поэтому владелец карты с 8 ГБ памяти не получит из неё 24 ГБ одним запуском модуля — физика железа пока держится уверенно.
Для разработчиков вывод практичный: оценивать проект стоит не по красивому проценту в бенчмарке, а по собственному пайплайну. Если команда обучает или дообучает модели, обрабатывает изображения либо генерирует видео локально, выигрыш может быть ощутимым. Если основная задача — LLM-инференс с упором в память, прирост, вероятно, окажется скромным. Для бизнеса это ещё и вопрос воспроизводимости: экспериментальный механизм, работающий до драйвера, нужно проверять на стабильность, совместимость с обновлениями и поведение в длительных задачах, прежде чем включать его в рабочий контур.
Проект развивается и в сторону Windows. Для этой платформы опубликован экспериментальный Windows GPU UNLOCK, использующий UEFI вместо Linux-модуля. Пока подтверждён результат только для RTX 3090: производительность FP16 выросла с 70,6 до 125,9 терафлопс. Это впечатляющая демонстрация потенциала, но ещё не повод считать поддержку Windows зрелой или переносить результаты на весь парк GeForce.
GPU-unlock не обещает ускорить игры и не превращает пользовательскую видеокарту в датацентровый ускоритель. Зато он подчёркивает более важный тренд: когда локальный ИИ упирается не только в кремний, но и в программную сегментацию, сообщество начинает искать способы вернуть доступ к уже имеющимся возможностям железа. Теперь главный вопрос — насколько устойчиво этот обход будет работать на разных поколениях карт и после следующих обновлений экосистемы Nvidia.
