Descubren una reserva oculta de potencia en las GPUs de NVIDIA: la RTX 3090 Ti mejora hasta un 80%

Durante años, Nvidia limitó artificialmente la potencia de cálculo de las tarjetas gráficas de consumo, reservando parte del rendimiento para los costosos aceleradores profesionales. Ahora, hackers han encontrado la manera de quitar una barrera de software oculta en la configuración de bajo nivel de la GPU. Como resultado, la GeForce RTX 4090 casi ha duplicado la velocidad máxima de cálculo tensorial sin cambiar el hardware.

El desarrollador Zagitta publicó el proyecto gpu-unlock, que quita la limitación en tarjetas RTX de las series 20, 30 y 40. En pruebas, la velocidad de operaciones individuales en la RTX 4090 aumentó aproximadamente de 165 a 331 TFLOPS. Se trata de cálculos usados por redes neuronales, no del rendimiento general de la GPU. El aumento de hasta el 100% se ha confirmado para un modo concreto de funcionamiento de los núcleos tensoriales.

La causa estaba en registros de hardware que controlan la velocidad de cálculo. Nvidia limitó la ejecución de operaciones FP16, BF16 y TF32 con acumulación en FP32. Este tipo de cálculos se utiliza ampliamente al entrenar e inferir redes neuronales. La limitación no se debe a la falta de unidades de cálculo, ya que el rendimiento disponible depende de los ajustes del propio acelerador.

Los desarrolladores aprovecharon una vulnerabilidad en el firmware firmado SEC2 Booter, que se ejecuta en el entorno protegido de la GPU. Un módulo especial para Linux se carga antes que el controlador oficial de Nvidia, modifica dos registros de control de velocidad y reinicia la tarjeta. Tras eso, el controlador habitual continúa funcionando. No es necesario reprogramar el VBIOS ni modificar archivos del controlador.

Los resultados son visibles también en la generación anterior. En la RTX 3090 Ti, el rendimiento BF16 aumentó de 87,5 a 157,4 TFLOPS, aproximadamente un 80%. En las RTX 3060, 3070 y 3080 también se registró una aceleración significativa en operaciones matriciales. Sin embargo, el resultado depende del modelo concreto, de la alimentación disponible y de la naturaleza de los cálculos. Duplicar la velocidad pico no implica un aumento de rendimiento de dos veces en cualquier programa.

En tareas reales de IA, los desarrolladores informan resultados más modestos. El procesamiento de consultas con grandes modelos de lenguaje se acelera aproximadamente entre un 25% y un 55%, el entrenamiento adicional de redes neuronales entre un 25% y un 50%, y la generación de imágenes entre un 30% y un 55%. La velocidad de emisión de nuevos tokens casi no cambia, ya que suele depender del ancho de banda de memoria. Los juegos convencionales tampoco obtienen una ventaja notable.

El soporte de tarjetas varía por ahora. Para las RTX 30 los desarrolladores indican funcionamiento estable, mientras que las RTX 20 y RTX 40 siguen siendo experimentales. Los aceleradores Blackwell de la serie RTX 50 no están soportados por ahora. El proyecto principal está pensado para Linux, aunque ya han aparecido implementaciones separadas para Windows. Tras un apagado completo, los cambios se reinician, por lo que no hay una modificación permanente del firmware.

Experimentos similares muestran hasta qué punto los mecanismos de bajo nivel afectan las capacidades de los aceleradores modernos. Anteriormente, entusiastas ejecutaron DLSS 5 en generaciones de RTX no soportadas, y el ataque GPUThor demostró eludir la protección de memoria de las tarjetas gráficas profesionales de Nvidia. Sin embargo, gpu-unlock resuelve otra tarea y permite quitar la limitación de la velocidad de cálculo.

Los desarrolladores advierten sobre riesgos de inestabilidad, bloqueos y daños en el equipo. La carga adicional en los núcleos tensoriales incrementa los requisitos de alimentación y refrigeración. En la RTX 4090, cálculos matriciales de gran tamaño pueden chocar con el límite de potencia de fábrica antes de alcanzar la velocidad máxima. Por ello, el desbloqueo no convierte una GeForce de consumo en un reemplazo completo de un acelerador profesional, aunque reduce significativamente la brecha en tareas de IA concretas.