RéponsesPublié24 sources
gpu-unlock accélère certains calculs IA sur les RTX 30, mais pas toutes les tâches
Le module Linux cible certaines opérations Tensor Core sur les GPU Ampere GA102, GA103, GA104 et GA106. Les gains mesurés sont élevés sur des calculs matriciels, mais ne se retrouvent pas nécessairement dans les performances globales d’une application d’IA.
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- Le module Linux cible certaines opérations Tensor Core sur les GPU Ampere GA102, GA103, GA104 et GA106.
- Les gains mesurés sont élevés sur des calculs matriciels, mais ne se retrouvent pas nécessairement dans les performances globales d’une application d’IA.
Prompt IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Zagitta’s free, open-source gpu-unlock tool, how does its Linux kernel module raise FP16 and BF16 multiply-accumulate instruction is. Article summary: Zagitta’s gpu-unlock is an open-source Linux kernel module intended to remove selected Tensor Core instruction-issue limits on Ampere GeForce GPUs, bringing those issue rates—not overall GPU performance—to professional-c. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Le projet open source gpu-unlock, développé par Zagitta, est un module du noyau Linux destiné à certaines cartes GeForce Ampere. Il vise le débit d’instructions Tensor Core pour des opérations FP16 et BF16 avec accumulation en FP32. Selon son développeur, le module rétablit un débit comparable à celui de cartes professionnelles. Les mesures publiées montrent de fortes hausses sur certains calculs matriciels, mais pas un gain uniforme dans toutes les applications d’IA. 1
8
Ce que fait le module
gpu-unlock cible les GPU GA102, GA103, GA104 et GA106. Il se charge depuis l’initramfs — l’environnement utilisé au démarrage de Linux — avant que le pilote NVIDIA d’origine ne prenne en charge la carte. Il modifie alors des sélecteurs matériels de vitesse, puis effectue une réinitialisation fonctionnelle (FLR) avant de laisser la main au pilote NVIDIA non modifié. Le dépôt mentionne notamment le sélecteur SS0 0x88888888 et le sélecteur IMLA4 SS1 à quatre bits 0x8. 1
La méthode reprend la technique V67/PLM utilisée dans des travaux antérieurs sur des cartes de minage CMP, tout en intervenant avant le chargement du pilote, à la manière d’une approche UEFI. Il s’agit bien d’un module du noyau Linux, et non d’un pilote NVIDIA modifié ni d’une application UEFI. La méthode décrite ne nécessite ni modification matérielle ni flashage permanent du VBIOS. 1
4
Les chiffres des tests matriciels
Les résultats du dépôt pour la RTX 3090 Ti proviennent d’un calcul GEMM dense 8192³, avec accumulation FP32, une limite de puissance de 450 W et des médianes calculées sur cinq mesures. Ce sont des chiffres rapportés par le développeur, pas ceux d’une suite de tests indépendante et normalisée. 1
| Test sur RTX 3090 Ti | Sans déverrouillage | Avec gpu-unlock | Variation rapportée |
|---|---|---|---|
| FP16 | 87,46 TFLOPS | 118,39 TFLOPS | Environ +35 % |
| BF16 | 87,50 TFLOPS | 157,41 TFLOPS | Environ +80 % |
| TF32 | 42,58 TFLOPS | 82,61 TFLOPS | Environ +94 % |
Un utilisateur a également rapporté, sur une RTX 3090, une hausse de 82 à 126 TFLOPS en FP16 (+54 %), de 82 à 129 TFLOPS en BF16 (+57 %) et de 41 à 74 TFLOPS en TF32 (+80 %). Il s’agit d’un test individuel partagé par la communauté : ces gains ne sont pas garantis sur toutes les cartes ni dans toutes les configurations. 13
Un autre rapport de compatibilité indique que le module fonctionne sur une EVGA RTX 3090 d’origine sous Ubuntu 24.04, avec une limite de puissance de 350 W. Il fait état d’un débit FP16/BF16 environ deux fois plus élevé par MHz. Ce chiffre normalisé par la fréquence ne signifie pas que le débit absolu double sous cette limite de puissance. 30
Pourquoi les applications d’IA peuvent gagner moins
Un test matriciel isole précisément le type de calcul visé par gpu-unlock. Une application complète, elle, ne consacre souvent qu’une partie de son temps à ces opérations : son gain global peut donc être inférieur.
- Sur une RTX 3090 d’origine, un utilisateur de vLLM a rapporté un traitement des prompts environ 33 % plus rapide, mais une génération des tokens pratiquement inchangée. Le même compte rendu mentionne huit heures de tests sur des charges de travail variées.
10
- Un autre test, réalisé sur une RTX 3090 limitée à 230 W, fait état d’un gain de 22 à 30 % pour le traitement des prompts et de 1 à 5 % pour la génération des tokens. Les configurations et les charges étant différentes, ces résultats ne se comparent pas directement au test vLLM.
43
- Sur une RTX 3090 Ti, des flux de travail ComfyUI utilisant largement le BF16 auraient été 31 à 60 % plus rapides, tandis que les performances en INT8 seraient restées pratiquement inchangées.
19
Le résultat dépend notamment du format de calcul utilisé, des noyaux logiciels, de la taille des matrices, du regroupement des requêtes et de la limite de puissance. Relever le plafond de débit d’instructions peut fortement accélérer un calcul GEMM sans produire la même hausse pour une inférence complète. 1
10
19
43
Compatibilité et précautions
Le dépôt était public au 18 octobre 2026. Les données historiques d’un service de suivi tiers indiquent environ 2 200 étoiles GitHub le 24 octobre. L’historique fourni montre aussi le commit 4189b17, qui ramène la branche à un état de fonctionnement associé au commit c274e74, lequel réappliquait le déverrouillage après une sortie de veille. Ces informations sont des instantanés et ne garantissent pas l’état actuel du projet. 19
28
42
44
Le module de Zagitta est conçu pour Linux. Une méthode UEFI expérimentale distincte a fait état d’une amélioration en BF16 sur une configuration matérielle particulière, mais cela ne démontre ni une compatibilité générale avec Windows ni l’existence d’une version Windows prise en charge du module. 20
L’installation implique une configuration du noyau et de l’initramfs, ainsi qu’une réinitialisation du GPU au démarrage. Certains retours signalent des ajustements propres à certaines distributions, et l’historique du projet comprend un retour à une version antérieure. Avant de l’essayer, il est prudent de vérifier les informations de compatibilité les plus récentes et de prévoir une solution de récupération. Des tests réussis sur quelques heures ne suffisent pas à établir une fiabilité à long terme sur toutes les cartes, versions du noyau et du pilote, ou configurations de veille et de reprise. 6
42
44
En bref, les éléments disponibles étayent une conclusion limitée : gpu-unlock peut accélérer sensiblement certaines opérations Tensor Core, avec un gain d’environ 80 % en BF16 dans le test publié pour la RTX 3090 Ti. Ils ne démontrent pas une amélioration comparable pour toutes les tâches d’inférence et ne valident pas de gain en DLSS ou en jeu. 1
4
45
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « gpu-unlock accélère certains calculs IA sur les RTX 30, mais pas toutes les tâches » ?
Le module Linux cible certaines opérations Tensor Core sur les GPU Ampere GA102, GA103, GA104 et GA106.
Quels sont les points clés à valider en premier ?
Le module Linux cible certaines opérations Tensor Core sur les GPU Ampere GA102, GA103, GA104 et GA106. Les gains mesurés sont élevés sur des calculs matriciels, mais ne se retrouvent pas nécessairement dans les performances globales d’une application d’IA.
Sources
3dmgame.com开源工具gpu-unlock解除RTX 30系限制，部分计算性能提升近80%_3DM单机
x.comDavid Y. Tan on X: "Tried gpu-unlock on an RTX 3090 (cold ...