نیوڈیا کی GeForce RTX 30 سیریز (کوڈ نام: امپیر) گرافکس کارڈز کئی عرصے سے دستیاب ہیں، اور ان میں ابھی بھی کافی حسابی صلاحیتیں بند ہیں۔ GitHub صارف زاگٹا نے ایک نیا اوپن سورس پروجیکٹ "GPU Unlock" تیار کیا ہے جو امپیر آرکیٹیکچر والی گرافکس کارڈز پر لگائے گئے کچھ مصنوعی پرفارمنس رکاوٹوں کو ختم کرتا ہے۔ خاص بار کے تحت، ٹینسر کورز کی حسابی ٹھرک کو تقریباً دگنا کیا جا سکتا ہے، اور اس کے لیے نیوڈیا ڈرائیور میں تبدیلی یا گرافکس کارڈ کے VBIOS کو مستقل طور پر فلش کرنے کی ضرورت نہیں۔
IT ہوم نوٹ کیا گیا کہ یہ پراجیکٹ ایک انستروکشن اسٹریم ریٹ لِمٹ کو ہدف بناتا ہے: FP32 اکیومولیٹر کے ساتھ FP16/BF16 ٹینسر کور آپریشنز کے دوران، کنسیومر لیول Ampere گرافکس کارڈز کی رننگ ریٹ پروفیشنل کارڈز کے مقابلے میں کم ہوتی ہے۔ اس لِمٹ کو ختم کرنے کے بعد، یہ ٹول گرافکس کارڈ کے ہارڈویئر میں موجود اضافی کمپوٹیشنل پرفارمنس کو آزاد کر دیتا ہے۔
د цہ دلچسپ بات یہ ہے کہ GPU Unlock، نیوڈیا CMP کرپٹو کرنسی مائننگ گرافکس کارڈز پر پہلے کیے گئے تحقیق پر مبنی ہے۔ یہ CMP پروجیکٹ کے فرمویئر انجن کی ٹیکنالوجی اور ایک پہلے سے شروع کرنے کا طریقہ جوڑتا ہے، جو ایک لینکس کرنل ماڈیول کے ذریعے نیوڈیا گرافکس کارڈ ڈرائیور کے لوڈ ہونے سے پہلے عمل کرتا ہے۔ یہ ماڈیول متعلقہ ہارڈویئر سپیڈ سیلیکشن رجسٹرز کو تبدیل کرتا ہے، ایک فنکشنل لیول ری سیٹ (FLR) کرتا ہے، اور اس کے بعد اصل ڈرائیور گرافکس کارڈ کو عام طور پر شروع کر سکتا ہے۔
اس کا مطلب یہ بھی ہے کہ صارفین کو ہر بار ڈرائیور کے نئے ورژن کو اپ ڈیٹ کرتے وقت ڈرائیور پر پیچ لگانے کی ضرورت نہیں ہوگی۔ موجودہ طور پر، ڈیولپرز GA102، GA103، GA104، اور GA106 گرافکس پروسیسرز کی حمایت کا اعلان کرتے ہیں، جو RTX 30 سیریز کے زیادہ تر ماڈلز کو کور کرتے ہیں، تاہم یہ ضمانت نہیں ہے کہ ہر گرافکس کارڈ مطابقت رکھے گا یا پرفارمنس میں بہتری آئے گی۔
بہتری کا اثر کافی قابلِ ذکر ہو سکتا ہے۔ منصوبے کے GitHub ریپوزٹری میں جاری کردہ بنچ مارک ڈیٹا کے مطابق، 450W تک کی طاقت کے لیے محدود RTX 3090 Ti کا FP32 اکومیولیشن کے ساتھ گھنے میٹرکس ضرب (GEMM) ٹیسٹ میں نتیجہ درج ذیل ہے:
یہ بہتری صرف RTX 3090 Ti پر نہیں دیکھی گئی۔ ایک RTX 3080 Ti صارف نے رپورٹ کیا کہ جب گرافکس کارڈ کی طاقت کی حد 315W ہے، تو BF16 کی ٹھوس رفتار 71.59 TFLOPS سے بڑھ کر 113.98 TFLOPS ہو گئی، اور TF32 کی کارکردگی 35.65 TFLOPS سے بڑھ کر 65.28 TFLOPS ہو گئی۔ ایک RTX 3080 10GB کی مطابقت کی رپورٹ میں بھی بتایا گیا ہے کہ کارڈ کی اصلی 320W طاقت کی حد کے تحت، FP16/BF16 کارکردگی تقریباً 65 TFLOPS سے بڑھ کر 110–113 TFLOPS ہو گئی۔ ان ٹیسٹ نتائج کو X پلیٹ فارم پر بھی وسیع پیمانے پر بحث کیا جا رہا ہے۔
لیکن عملی استعمال میں اس کی کیا کارکردگی ہے؟ خوشگوار بات یہ ہے کہ کمیونٹی کے صارفین پہلے ہی اس انلاک شدہ فیچر کو اصل AI لوڈز پر ٹیسٹ کر رہے ہیں اور ابتدائی نتائج مثبت ہیں۔
ریڈیٹ پر ایک صارف نے RTX 3090 Ti کے ساتھ ComfyUI میں پرفارمنس ٹیسٹ کیا، جس میں MOSS-Image SFT BF16 کی ٹھوس رفتار 58.6% بڑھ گئی، Qwen-Image 2.1 Turbo BF16 میں 57.2% کا اضافہ ہوا، اور Z-Image Turbo BF16 میں 56.1% کا اضافہ ہوا۔ جبکہ INT8 پrecision موڈ میں اضافہ بہت کم رہا، MOSS-Image SFT INT8 صرف 0.3% بڑھا۔ ٹیسٹر نے یہ بھی بتایا کہ ڈیفالٹ اور انلاک کے بعد بنائے گئے تصویری نتائج مکمل طور پر ایک جیسے ہیں۔
بڑے زبان ماڈلز (LLM) کی استدلال بھی ممکنہ فائدہ پانے والے سیناریوز میں شامل ہے، لیکن بہتری کا اثر بہت زیادہ لوڈ کے قسم پر منحصر ہے۔ مثال کے طور پر، RTX 3090 کی مطابقت کی رپورٹ کے مطابق، vLLM کی پرامپٹ پردازش اور استدلال ٹھروٹل میں 33% کا اضافہ ہوا، لیکن ٹوکن پیدا کرنے کی رفتار تقریباً نہیں بدلی۔ اس کا مطلب بھی آسانی سے سمجھا جا سکتا ہے کہ بڑے زبان ماڈلز کے ڈیکوڈنگ مرحلے کا بنیادی رکاوٹ عام طور پر ٹینسر کورز کی اصل کمپوٹیشنل ٹھروٹل نہیں، بلکہ میموری بینڈ ویتھ ہے۔
ایک اور قابل توجہ ترقی یہ ہے کہ تجرباتی ونڈوز ایمپلیمنٹیشن اب اپنے پرانے لینکس کرنل ماڈیول کے بجائے UEFI کے بنیاد پر ہے۔ ڈویلپرز نے RTX 3090 کے کامیاب کیس کو ریکارڈ کیا ہے، جس میں BF16 کمپوٹیشن تھروٹل میں تقریباً 82.5% کا اضافہ ہوا۔ لیکن یہ ورژن اب بھی تجرباتی ہے، صرف مخصوص ہارڈویئر کے لیے موزوں ہے اور عام طور پر دستیاب ونڈوز کا رسمی ورژن نہیں ہے۔
اس منصوبے میں واضح حدود بھی ہیں۔ GPU Unlock کیسی میموری بینڈ ویتھ کو بڑھانے، مزید CUDA کورز کو انلاک کرنے، یا تمام لوڈ کو خودکار طور پر تیز کرنے میں مدد نہیں کرتا۔ کم از کم ایک RTX 3080 Ti 20GB کی رپورٹ کے مطابق، جب انلاک پروسیجر کامیابی سے مکمل ہوا، لیکن BF16 پرفارمنس میں متوقع بہتری نہیں آئی، جس سے ثابت ہوتا ہے کہ اس کا اثر عام نہیں ہے۔
گیمنگ کے حوالے سے، نوڈیا کی ڈی ایل ایس ایس تکنیک بھی ٹینسر کورز کا استعمال کرتی ہے، لیکن اب تک کوئی قابل اعتماد ثبوت نہیں ملا ہے کہ جی پی یو ان لاک کرنے سے گیم کی فریم ریٹ میں اضافہ ہو گا یا ڈی ایل ایس ایس کے رن ہونے کا وقت کم ہو گا۔ صرف اس صورت میں فائدہ حاصل ہو سکتا ہے جب کام خود ان متاثرہ حکمات اور اکومولیٹر موڈز کو کال کرے۔ اس لیے، یہ واضح کمپوٹیشنل اسکورز، گیم کی فریم ریٹ میں مساوی اضافے کے برابر نہیں ہو سکتے۔
تاہم، RTX 30 سیریز گرافکس کارڈ کے مالکان کے لیے، GPU Unlock ابھی بھی ایک دلچسپ نئی کوشش ہے، خاص طور پر ان صارفین کے لیے جو اپنے گرافکس کارڈ کو مقامی AI انفرنس، تصویر تخلیق اور دیگر اعلیٰ کمپوٹیشنل لوڈ سیناریوز کے لیے استعمال کرتے ہیں۔ یہ منصوبہ ابھی تجرباتی مرحلے میں ہے، لیکن موجودہ گرافکس کارڈ سے مستقل طور پر ہارڈویئر میں تبدیلی کیے بغیر قابلِ ذکر اضافی پرفارمنس حاصل کرنا بہت دلچسپ ہے۔