Mod experimental expõe capacidade de IA pouco usada em GPUs Nvidia

Medições divulgadas para a RTX 4090 apontam mais de 330 TFLOPS em operações Tensor, mas o método ainda traz riscos de inicialização e não tem validação independente ampla.

Um ajuste experimental de software está fazendo algumas placas GeForce Nvidia alcançarem resultados próximos do dobro em certos cálculos de inteligência artificial. Em testes publicados nesta quinta-feira, 29 de outubro, a RTX 4090 passou de cerca de 165 para mais de 330 TFLOPS em operações específicas dos Tensor Cores. Isso não significa que qualquer tarefa de IA ficará duas vezes mais rápida — nem que a modificação seja segura para uso diário.

O projeto GPU Unlock atua sobre uma configuração de seleção de velocidade dos multiprocessadores da GPU, antes de o driver padrão da Nvidia começar a funcionar. A ideia é liberar maior taxa de emissão de instruções Tensor em formatos FP16 e BF16, usados em computação de IA. Não são adicionados componentes à placa, e o procedimento não aumenta sua memória nem altera fisicamente o chip.

O que os números mostram — e o que não mostram

Nos dados divulgados para a RTX 4090, o resultado em BF16 com acumulação FP32 subiu de 165,5 para 330,6 TFLOPS. Em FP16 com o mesmo tipo de acumulação, foi de 165,6 para 331,6 TFLOPS. São medições de operações matriciais específicas, não uma promessa de que modelos de IA serão treinados ou executados no dobro da velocidade.

Isso porque o desempenho de uma aplicação também depende de memória, software, temperatura, limites de energia e do tipo de tarefa. O teste divulgado mede o teto de determinadas instruções. Para saber o efeito em um programa concreto, ainda seriam necessários testes prolongados e variados, com diferentes placas e cargas de trabalho.

O trabalho relacionado KohakUnlock também publicou um teste com uma RTX 2080 Ti modificada: em uma operação FP16→FP32, a medição passou de 59,9 para 111 TFLOPS. No teste de controle FP16→FP16, porém, o resultado ficou praticamente igual antes e depois. Esse contraste ajuda a entender que a mudança afeta operações específicas, não o desempenho inteiro da placa.

Não é um atalho para jogar melhor

Os Tensor Cores são unidades especializadas em cálculos matriciais, comuns em aprendizado de máquina. Jogos, em geral, dependem de outros recursos da placa, como os núcleos gráficos tradicionais. Por isso, o desbloqueio não deve ser entendido como uma forma de ganhar mais quadros por segundo.

A Nvidia vende produtos GeForce para consumidores e placas profissionais voltadas a cargas de trabalho de computação. A existência de diferenças de desempenho entre essas linhas não significa que a modificação transforme uma GeForce em uma placa profissional: suporte, memória, estabilidade e validação continuam sendo questões separadas.

Por que o teste ainda exige cautela

O método precisa intervir durante a inicialização do sistema, antes do carregamento do driver. Os próprios projetos o descrevem como experimental e dependente do modelo da GPU e da configuração. Uma falha pode impedir a inicialização ou deixar o computador sem vídeo; alterações de baixo nível também podem causar instabilidade e, em cenários extremos, danificar o hardware.

Há ainda uma diferença entre resultados divulgados pelos autores e uma validação independente ampla. Repositórios documentam medições antes e depois, e veículos de tecnologia repercutiram os números, mas isso não equivale a uma bateria de testes de terceiros em diversas placas, com várias reinicializações e aplicações reais. Um dos números citados para a RTX 3090 Ti, por exemplo, não aparece confirmado nas tabelas primárias consultadas.

Na prática, o achado é relevante como demonstração de que certas GPUs podem ter limites de processamento Tensor configurados por software. Por enquanto, porém, é uma experiência para pesquisa — não uma atualização recomendável para quem depende da placa no trabalho ou no computador de casa.

Quer se aprofundar nesta notícia? Leia mais sobre ela abaixo: