Les anciennes cartes Ampere cacheraient encore une réserve considérable de calcul Tensor. Un projet open source l’exploite sans pilote NVIDIA modifié ni flash permanent du VBIOS, avec des gains applicatifs approchant 60 %.
GPU Unlock contourne une limitation des Tensor Cores
Développé par Zagitta et publié sur GitHub, GPU Unlock cible la cadence d’émission des instructions FP16 et BF16 exécutées par les Tensor Cores avec accumulation FP32. Celle-ci est réduite sur les GeForce Ampere grand public par rapport aux modèles professionnels, alors que le matériel peut atteindre un débit supérieur.
Le projet reprend des travaux menés autour des cartes de minage NVIDIA CMP. Sous Linux, un module noyau intervient avant le chargement du pilote NVIDIA, modifie les sélecteurs matériels concernés, déclenche une réinitialisation Function Level Reset (FLR), puis laisse le pilote officiel initialiser normalement le GPU.
Cette méthode évite de devoir corriger le pilote à chaque mise à jour. Les GPU GA102, GA103, GA104 et GA106 figurent parmi les puces prises en charge, ce qui couvre une large partie des GeForce RTX 30, sans garantir pour autant la compatibilité ni les mêmes gains sur chaque carte.
Jusqu’à 94 % de mieux dans les calculs matriciels
Sur une GeForce RTX 3090 Ti limitée à 450 W, les mesures du dépôt GitHub montrent des écarts majeurs en multiplication matricielle dense GEMM avec accumulation FP32. Le débit FP16 passe de 87,46 à 118,39 TFLOPS, soit +35 %, tandis que le BF16 grimpe de 87,50 à 157,41 TFLOPS, soit +80 %. En TF32, la carte progresse de 42,58 à 82,61 TFLOPS, soit +94 %.
Une RTX 3080 Ti plafonnée à 315 W est passée de 71,59 à 113,98 TFLOPS en BF16 et de 35,65 à 65,28 TFLOPS en TF32. Sur une RTX 3080 10 Go conservant sa limite d’origine de 320 W, les performances FP16/BF16 ont progressé d’environ 65 TFLOPS à 110-113 TFLOPS.
Près de 60 % dans ComfyUI, mais presque rien en INT8
Les premiers essais applicatifs confirment qu’une partie de ce potentiel se traduit en gains concrets. Dans ComfyUI, un utilisateur de RTX 3090 Ti a mesuré +58,6 % avec MOSS-Image SFT BF16, +57,2 % avec Qwen-Image 2.1 Turbo BF16 et +56,1 % avec Z-Image Turbo BF16.
Le résultat dépend toutefois fortement du format employé. MOSS-Image SFT en INT8 ne gagne que 0,3 %. Les images décodées obtenues avec les configurations d’origine et déverrouillée sont par ailleurs annoncées comme identiques.
Du côté des grands modèles de langage, une RTX 3090 a affiché 33 % de débit supplémentaire pour le traitement des prompts et l’inférence avec vLLM, mais pratiquement aucun changement durant la génération des tokens. Le décodage des LLM reste souvent limité par la bande passante mémoire, que ce module ne modifie pas.
Windows reste expérimental, les jeux hors cible
Une implémentation expérimentale pour Windows existe également. Elle s’appuie sur l’UEFI plutôt que sur un module noyau Linux et a permis à son développeur d’augmenter d’environ 82,5 % le débit BF16 d’une RTX 3090. Cette solution demeure spécifique au matériel testé et ne constitue pas encore une version Windows largement compatible.
GPU Unlock n’ajoute ni cœurs CUDA ni bande passante mémoire. Un rapport concernant une RTX 3080 Ti 20 Go décrit ainsi une procédure réussie, mais sans l’amélioration BF16 attendue. Les bénéfices n’apparaissent que si l’application exploite réellement les instructions et modes d’accumulation concernés.
Le DLSS utilise bien les Tensor Cores, mais aucun élément convaincant ne montre pour l’instant une hausse des performances en jeu ou une réduction de ses temps d’exécution. Les scores de calcul ne doivent donc pas être transposés aux images par seconde.
Pour la génération d’images et certains traitements d’IA locale, cette découverte redonne néanmoins un intérêt particulier aux RTX 30 dotées d’une quantité de VRAM confortable. Le projet expose surtout l’écart entre les capacités physiques d’Ampere et la segmentation appliquée aux GeForce, avec des bénéfices réels mais étroitement liés au type de charge.
Source : Wccftech
