NodoGPU Unlock permite casi duplicar ciertos cálculos de IA en las NVIDIA RTX 20, 30 y 40
Estos proyectos experimentales eliminan una limitación en operaciones concretas de los Tensor Cores. Las mayores ganancias aparecen en pruebas de cálculo, pero no se trasladan directamente a las aplicaciones ni a los juegos.
GPU Unlock y otros desarrollos experimentales relacionados permiten aumentar el rendimiento de determinadas operaciones de inteligencia artificial en tarjetas NVIDIA GeForce RTX 20, 30 y 40. Los resultados descritos llegan a rozar el doble de capacidad de cálculo en algunos modelos, sin modificar físicamente la gráfica ni instalar una VBIOS personalizada.
El matiz es importante: no se duplica el rendimiento general de la GPU. El desbloqueo afecta a instrucciones específicas de los Tensor Cores, las unidades especializadas en operaciones con matrices que utilizan numerosas cargas de IA.
Qué modifica GPU Unlock
El proyecto original, desarrollado por Zagitta para las RTX 30 con arquitectura Ampere, cambia registros internos de configuración antes de que se cargue el controlador oficial de NVIDIA en Linux. Así elimina una restricción en la velocidad a la que se emiten determinadas instrucciones.
Es parecido a permitir que una línea de trabajo reciba más encargos por turno: aumenta su capacidad, pero solo resulta útil si la tarea pasa por esa línea. El controlador permanece sin modificar, por lo que el procedimiento descrito no exige parchearlo con cada actualización.
El concepto también se ha aplicado mediante desarrollos experimentales a Ada Lovelace y Turing, aunque eso no equivale a una compatibilidad universal con todas las RTX.
Qué muestran las cifras
Los resultados aportados incluyen diferencias importantes según la tarjeta y la operación:
- RTX 3090 Ti: pasa de 87,5 a 157,4 TFLOPS en una prueba de multiplicación de matrices con BF16, alrededor de un 80% más.
- RTX 4090: sube de 165,6 a 331,6 TFLOPS en FP16 con acumulación FP32, prácticamente el doble.
- RTX 2080 Ti: alcanza unos 111 TFLOPS frente a los 59,9 anteriores.
Estas cifras expresan capacidad de cálculo, no velocidad garantizada en cualquier programa. Los desarrolladores advierten de que influyen tanto el modelo como su límite de consumo. La información aportada tampoco detalla una metodología completa para comparar todas las tarjetas.
Por qué no implica duplicar los FPS
En las pruebas descritas con RTX 30, el procesamiento inicial de instrucciones en modelos de lenguaje mejora aproximadamente entre un 14% y un 36%. La generación posterior de tokens apenas cambia, porque suele depender más del ancho de banda de memoria.
Tampoco se describen mejoras importantes en INT8 ni en FP32 convencional. En juegos, no hay resultados que permitan prometer más FPS o un DLSS más rápido: utilizar Tensor Cores no basta para asegurar que una tecnología aproveche precisamente las operaciones desbloqueadas.
