GPU GeForce RTX 30 series dari NVIDIA, yang telah diluncurkan sejak lama (kode nama Ampere), jelas masih memiliki banyak potensi komputasi yang belum dimanfaatkan. Pengguna GitHub Zagitta mengembangkan proyek open source baru bernama GPU Unlock, yang dapat melepaskan sebagian batasan performa yang sengaja diterapkan pada GPU berarsitektur Ampere. Di bawah beban tertentu, throughput komputasi tensor core hampir dapat meningkat dua kali lipat, tanpa perlu mengubah driver NVIDIA atau melakukan flash permanen terhadap VBIOS kartu grafis.

IT之家 mencatat bahwa proyek ini secara khusus menargetkan batasan laju peluncuran instruksi: pada operasi tensor core FP16/BF16 dengan akumulasi FP32, kecepatan operasi kartu grafis Ampere konsumen lebih rendah dibandingkan kartu profesional. Setelah batasan ini dilepaskan, alat tersebut dapat membebaskan kinerja komputasi tambahan yang sebenarnya dimiliki oleh perangkat keras kartu grafis.

Yang menarik, GPU Unlock dibangun di atas penelitian sebelumnya terkait kartu grafis mining kripto NVIDIA CMP. Ia menggabungkan teknik pembukaan firmware proyek CMP dan serangkaian skema inisialisasi awal, menggunakan modul kernel Linux untuk menjalankan operasi sebelum driver kartu grafis NVIDIA dimuat. Modul ini memodifikasi register pemilihan kecepatan perangkat keras yang sesuai, menjalankan fungsi-level reset (FLR), sehingga driver asli dapat menginisialisasi kartu grafis secara normal.
Ini juga berarti pengguna tidak perlu lagi menerapkan patch ke driver setiap kali memperbarui ke versi baru. Pengembang saat ini menyatakan dukungan untuk GPU model GA102, GA103, GA104, dan GA106, yang mencakup sebagian besar model dalam seri RTX 30, namun tidak semua kartu grafis pasti kompatibel, dan tidak dijamin akan mendapatkan peningkatan performa.
Peningkatan kinerja bisa sangat signifikan. Berdasarkan data pengujian performa yang dirilis di repositori GitHub proyek, sebuah RTX 3090 Ti dengan batas konsumsi daya 450W menghasilkan berikut ini dalam pengujian perkalian matriks padat (GEMM) dengan akumulasi FP32:
Peningkatan semacam ini tidak hanya terjadi pada RTX 3090 Ti. Seorang pengguna RTX 3080 Ti melaporkan bahwa dengan batas daya GPU sebesar 315W, throughput BF16 meningkat dari 71,59 TFLOPS menjadi 113,98 TFLOPS, dan kinerja TF32 meningkat dari 35,65 TFLOPS menjadi 65,28 TFLOPS. Sebuah laporan kompatibilitas untuk RTX 3080 10GB juga menunjukkan bahwa di bawah batas daya pabrik 320W, kinerja FP16/BF16 meningkat dari sekitar 65 TFLOPS menjadi 110–113 TFLOPS. Hasil pengujian ini juga banyak dibahas di platform X.
Lalu bagaimana kinerjanya dalam penerapan nyata? Untungnya, pengguna komunitas sudah mulai menguji fitur yang dibuka ini di bawah beban AI nyata, dan hasil awalnya cukup optimis.
Seorang pengguna RTX 3090 Ti di Reddit melakukan uji performa di ComfyUI, dengan peningkatan throughput sebesar 58,6% untuk MOSS-Image SFT BF16, 57,2% untuk Qwen-Image 2.1 Turbo BF16, dan 56,1% untuk Z-Image Turbo BF16. Sementara itu, peningkatan pada mode presisi INT8 sangat kecil, dengan MOSS-Image SFT INT8 hanya meningkat 0,3%. Pengujinya juga menyatakan bahwa hasil dekode gambar yang dihasilkan dalam keadaan default dan setelah dibuka kunci sepenuhnya identik.
Pemodelan bahasa besar (LLM) inference juga merupakan skenario potensial yang mendapat manfaat, namun peningkatan efek sangat bergantung pada jenis beban. Sebagai contoh, laporan kompatibilitas RTX 3090 menunjukkan bahwa throughput pemrosesan prompt dan inference vLLM meningkat 33%, tetapi kecepatan generasi token hampir tidak berubah. Ini juga mudah dipahami, karena bottleneck pada tahap decoding model bahasa besar sering kali adalah bandwidth memori GPU, bukan throughput komputasi murni dari tensor core.
Perkembangan lain yang patut diperhatikan adalah implementasi versi eksperimen Windows, yang tidak lagi menggunakan modul kernel Linux sebelumnya, melainkan berbasis UEFI. Pengembang mencatat keberhasilan pada RTX 3090, dengan peningkatan throughput komputasi BF16 sekitar 82,5%. Namun, versi ini masih bersifat eksperimen, hanya kompatibel dengan perangkat keras tertentu, dan bukan versi resmi Windows yang tersedia secara umum.
Solusi ini juga memiliki keterbatasan yang jelas. GPU Unlock tidak akan meningkatkan bandwidth memori video, tidak akan membuka lebih banyak inti CUDA, dan tidak akan mempercepat semua beban secara otomatis. Setidaknya satu umpan balik dari RTX 3080 Ti 20GB menunjukkan bahwa proses unlocking berhasil dilakukan, tetapi kinerja BF16 tidak meningkat seperti yang diharapkan, menunjukkan bahwa efeknya tidak bersifat universal.
Dalam hal game, teknologi DLSS dari NVIDIA juga memanfaatkan tensor core, tetapi hingga kini tidak ada bukti andal yang menunjukkan bahwa GPU Unlock dapat meningkatkan frame rate game atau mengurangi waktu eksekusi DLSS. Manfaat hanya mungkin diperoleh jika tugas tersebut secara langsung memanggil instruksi dan mode akumulasi yang terpengaruh. Oleh karena itu, skor komputasi yang menonjol ini tidak dapat dianggap setara dengan peningkatan frame rate game yang sejajar.
Meskipun demikian, GPU Unlock tetap menjadi upaya baru yang menarik bagi pemilik kartu grafis seri RTX 30, terutama bagi pengguna yang menggunakan kartu grafis untuk inferensi AI lokal, generasi gambar, dan skenario beban komputasi tinggi lainnya. Proyek ini saat ini masih dalam tahap eksperimen, tetapi mampu menggali kinerja tambahan yang signifikan dari kartu grafis yang sudah ada tanpa perlu mengubah perangkat keras secara permanen, sehingga sangat menarik.
