一张 RTX 4090 显卡，在未更换任何硬件的情况下，其特定 Tensor Core 运算吞吐率竟从 165.6 TFLOPS 飙升至 331.6 TFLOPS，实现了近乎翻倍的性能飞跃。这一惊人的发现不仅限于 RTX 4090，RTX 3090 Ti、RTX 4070 Ti SUPER 以及 2018 年发布的 RTX 2080 Ti 均在社区测试中取得了显著提升。这一切源于 GitHub 上开发者们对英伟达 GPU 底层计算限制的探索。他们发现部分 GeForce 显卡在执行特定混合精度运算时存在指令发射速率限制，通过修改 GPU 启动阶段的配置，即可解除限制，恢复更高的吞吐率。无需更换显卡或刷写 BIOS，在已验证的 Linux 方案中，原版 NVIDIA 驱动依然可以正常运行。
RTX 4090 的算力翻倍成绩最为引人注目。开发者 JustAResearcher 在开源项目 gpu-unlock-ada 中展示了测试结果。该项目在短短两天内便收获了超过 2700 个 Star。具体而言，在 FP16 输入、FP32 累加的 Tensor Core 运算中，吞吐率从 165.6 TFLOPS 飙升至 331.6 TFLOPS；BF16 输入、FP32 累加的测试也出现了相同的变化，从 165.5 TFLOPS 提升至 330.6 TFLOPS。这意味着在特定混合精度运算下，同一张 RTX 4090 的指令吞吐率可达此前约两倍。为排除偶然因素，开发者将测试循环次数从 2 万次增加到 4 万次，结果 FP16/FP32 和 BF16/FP32 的吞吐率分别稳定在 330.8 TFLOPS 和 330.3 TFLOPS，与之前结果基本一致。整个实验未更换显卡硬件，也未通过提高功耗上限或手动超频获得性能提升。测试显卡采用 AD102 芯片，拥有 128 个 SM，运行 Linux 内核，功耗上限为 450W。开发者利用 GPU 启动阶段的固件执行流程，打开受保护寄存器的写入权限，随后修改控制计算速率的寄存器配置。配置完成后，显卡经历 PCIe 功能级重置，由未经修改的 NVIDIA 驱动正常接管。驱动初始化和 CUDA 测试后的寄存器检查表明，解锁配置依然生效。虽然成功解除了 RTX 4090 在部分 Tensor Core 运算模式下的速率限制，使原有计算单元在执行 FP16/BF16 输入、FP32 累加指令时达到更高吞吐率，但性能变化并未覆盖所有运算类型。例如，FP16 输入、FP16 累加的吞吐率在解锁前已达 325.7 TFLOPS，解锁后提升至 331.6 TFLOPS，未出现翻倍。INT8 运算吞吐率基本维持在 661 TOPS 左右，普通 FP32 标量运算也保持在约 79.1 TFLOPS。这说明此次解锁主要影响此前受到速率限制的特定 Tensor Core 运算路径。另一位 RTX 4090 持有者的独立复测也验证了这一结果。使用 Linux 内核和相同驱动，在 450W 功耗下，FP16 输入、FP32 累加的指令吞吐率从 160.4 TFLOPS 提升至 320.4 TFLOPS，BF16 输入、FP32 累加则从 159.7 TFLOPS 提升至 320.2 TFLOPS，两项结果均接近翻倍。然而，当测试从底层指令吞吐率转向实际矩阵乘法时，性能增幅便没有那么夸张。在 cuBLAS 测试中，FP16 运算的吞吐率根据矩阵规模不同提升约 12% 至 34%。其中 4096×4096 矩阵乘法的吞吐率从 153.2 TFLOPS 提升至 206.0 TFLOPS，增幅约 34.4%。BF16 的表现则存在差异，1024×1024 和 8192×8192 规模分别提升约 19.6% 和 16.0%，但在 4096×4096 规模下基本无变化。这表明底层指令吞吐率测试尽量减少了内存访问等因素的影响，而真实矩阵乘法还涉及数据搬运、计算调度等，因此实际 AI 训练或推理速度未必能翻倍。
RTX 30 系列同样传来了好消息。开发者 Zagitta 的开源项目 gpu-unlock 在多款 RTX 30 系列显卡上取得成功。其中 RTX 3090 Ti 的表现尤为亮眼。在 450W 功率上限下，BF16 矩阵运算吞吐率从 87.5 TFLOPS 提升至 157.4 TFLOPS，增幅接近 80%；TF32 的提升更是达到 94%，几乎翻倍。RTX 3080、3070 和 3060 也陆续传来成功解锁的消息，BF16 吞吐率分别提升约 73%、81% 和 76%。与 RTX 4090 类似，gpu-unlock 同样利用 GPU 启动阶段的固件执行流程，修改控制 Tensor Core 指令发射速率的寄存器配置。具体来说，NVIDIA GPU 内部存在用于控制不同指令执行速率的寄存器，包括 SS0 和 SS1。这些寄存器受权限保护，普通驱动无法直接修改。Zagitta 借鉴了此前 CMP 显卡解锁项目中的 V67 技术，利用 GPU 安全启动固件中的漏洞，通过返回导向编程修改权限级别掩码，从而获得对相关寄存器的写入权限。随后，程序将 SS0 设置为特定数值，SS1 设置为特定数值，使对应运算路径切换到更高的指令发射速率。该方案不修改 NVIDIA 驱动，而是将解锁过程整合进 Linux 内核模块。系统启动时，该模块在官方驱动接管显卡前运行，完成寄存器配置修改，再通过 PCIe 功能级重置使配置生效。这套方案可以让部分 Ampere 架构显卡执行 FP16/BF16 输入、FP32 累加指令时，达到原来两倍的指令发射速率。随着技术传播，越来越多用户提交了独立测试结果。一位使用 RTX 3080 10GB 的开发者，在 320W 功率下进行了测试。除了 BF16 吞吐率提升约 73%，FP16 输入、FP32 累加的矩阵运算吞吐率也从 64.88 TFLOPS 提升至 110.14 TFLOPS，增幅约 70%。在持续 120 秒的 FP16/BF16 交替矩阵运算测试中，显卡完成的计算次数从 6940 次增加至 11860 次，平均吞吐率提升约 71%。两次测试功耗均维持在约 318W，峰值温度分别为 78℃ 和 79℃。测试还验证了计算结果的正确性。在 FP16、BF16 和 TF32 矩阵运算中，解锁前后的输出完全一致。但并非所有计算任务都会出现类似提升。原本就以较高速率执行的 FP16 输入、FP16 累加运算，吞吐率基本保持在 112 TFLOPS 左右；INT8 运算和普通 FP32 运算也几乎没有变化。除了矩阵运算，部分实际 AI 任务也获得了加速。一位 RTX 3090 用户使用 vLLM 运行 27B BF16 大模型时，发现提示词预填充速度提升约 33%，首个 Token 的响应时间缩短约 24%。另一张显存扩容版 RTX 3080 的用户也在大模型预填充测试中取得了约 33% 至 36% 的性能提升。但两组实验中的逐 Token 生成速度都没有明显变化。这是因为大模型预填充阶段需要进行大量矩阵计算，而逐 Token 生成往往更受显存带宽限制。
RTX 20 系列的进展则更有意思。2018 年发布的 RTX 2080 Ti，距今已八年。当年售价上千美元的旗舰显卡，如今早已退出高端 GPU 性能竞争的第一线。但随着 NVIDIA GPU 算力解锁技术的传播，这张老显卡又被开发者重新拿出来测试。开发者 nlzy 将 gpu-unlock 的相关技术移植到了 NVIDIA Turing 架构，并在 GitHub 上开源了项目 turing-unlock。测试的是一张采用 22GB 非标准显存配置的 Dell RTX 2080 Ti。在 250W 功耗设置下，使用 cuBLAS 进行 FP16 输入、FP32 累加的矩阵乘法测试。当矩阵 M、N、K 三个维度均为 2048 时，吞吐率从解锁前的 55.7 TFLOPS 提升至 91.4 TFLOPS，增幅约 64.1%。其他矩阵规模也出现了不同程度的提升。1024：从 50.3 提升至 68.3 TFLOPS，提升约 35.8%；4096：从 53.7 提升至 81.7 TFLOPS，提升约 52.1%；8192：从 52.8 提升至 77.9 TFLOPS，提升约 47.5%。作为对照，NVIDIA 在 Turing 架构白皮书中给出的 RTX 2080 Ti 对应 FP16 Tensor Core 峰值吞吐率为 56.9 TFLOPS。按照这一数字计算，解锁前的测试结果达到了标称峰值的 97.9%，解锁后则达到 160.6%。这说明原先的速率配置确实限制了这条计算路径能够发挥的吞吐率。调整配置后，原有 Tensor Core 可以在相应运算模式下执行更多计算。类似的结果也出现在另一名开发者的实验中。GitHub 用户 haohervchb 发布了单独的 Turing-unlock 研究项目，针对一张 ASUS RTX 2080 Ti 进行了测试。这张显卡采用 TU102 芯片，拥有 68 个 SM，显存容量为标准的 11GB。与 nlzy 的 Linux 内核模块不同，该项目采用系统启动前的 UEFI 执行方案，在操作系统加载之前修改 GPU 的相关配置。在 FP16 输入、FP32 累加的底层 MMA 矩阵乘加指令测试中，解锁前的吞吐率为 46.94 TFLOPS，解锁后达到 93.66 TFLOPS，几乎翻了一倍。以每个 SM、每个时钟周期执行的浮点运算次数衡量，性能也从约 511.7 FLOP/SM/clock 提升至 1022.4 FLOP/SM/clock。但换成实际 cuBLAS 矩阵乘法测试后，增幅有所收窄。在 8192×8192 规模的 GEMM 测试中，吞吐率从 48.15 TFLOPS 提升至 85.17 TFLOPS，增幅约 76.9%。虽然没有达到底层指令测试中接近两倍的水平，但对于一张八年前发布的显卡而言，这仍然是相当可观的提升。目前，两项研究的验证范围仍然有限。现有证据只能说明部分 TU102 显卡能够通过修改速率配置提高特定 Tensor Core 运算的吞吐率。其他 RTX 20 系列型号能否使用相同方法，以及不同驱动、固件版本下的兼容性，都还需要进一步验证。实际 AI 训练、推理和游戏性能能够提升多少，也无法直接用这些测试数据推算。
以上探索主要集中在 Linux 环境。随着多个项目相继开源，Windows 平台也出现了实验性进展。开发者 TOTORONG 在 Hugging Face 上公开了 AD103_win_unlocker，展示了在 Windows 11 环境下修改 GPU 计算配置的实验。测试使用的是一张经过显存扩容、容量达到 32GB 的 RTX 4080，采用了 AD103 GPU。与前面的 Linux 内核模块不同，这套方案使用 UEFI 程序，在 Windows 启动前执行相关配置修改，再将控制权交还 Windows。项目公布的测试结果显示，在 4096 规模的矩阵乘法中：FP16/FP32：91.54 → 182.80 TFLOPS。BF16/FP32：91.91 → 184.49 TFLOPS。两项测试的吞吐率均接近翻倍。这意味着相关底层配置修改并非只能在 Linux 系统上实现。但目前的 Windows 11 结果仍来自特定改装显卡，尚不能作为普通 RTX 4080 或整个 RTX 40 系列通用兼容的依据。