Um projeto open-source chamado GPU Unlock está causando agitação na comunidade de inferência local de IA, pois consegue desbloquear taxas de emissão de instruções FP16 e BF16 nas GPUs consumer da série GeForce RTX 3000, elevando-as ao nível das equivalents profissionais da NVIDIA. O projeto, criado por um desenvolvedor conhecido como "zagitta", é um módulo de kernel Linux que opera antes do driver proprietário da NVIDIA ser carregado, modificando seletores de velocidade no firmware da GPU para desbloquear o dobro da velocidade de emissão de instruções FMA (Fused Multiply-Add) de FP/BF16 para operações FP32 nos chips GA102, GA103, GA104 e GA106.
Os números são impressionantes. Em uma RTX 3090 Ti, o projeto relata que a performance BF16 pula de 87,50 TFLOPS para 157,41 TFLOPS — um salto de 80% na computação de precisão semi-par. O FP16 sobe de 87,46 para 118,39 TFLOPS, e o TF32 praticamente dobra, de 42,58 para 82,61 TFLOPS. Resultados similares foram reportados em outras GPUs da família: a RTX 3080 ganha entre 70-73% em FP16, a RTX 3070 entre 73-81%, e a acessível RTX 3060 12GB cerca de 80%. O projeto suporta também as séries GTX 900, GTX 1000 e RTX 20, mas atualmente não funciona nas RTX 40 e 50.
O que torna o GPU Unlock particularmente interessante para quem roda modelos de linguagem localmente é o impacto direto no pipeline de inferência. Usuários reportaram ganhos de 14-36% em velocidade de prefill com o vLLM (um dos inferencers mais populares para LLMs) e uma redução de 25% na latência de Time-To-First-Token — métrica que o usuário final sente diretamente quando espera uma resposta de um modelo local. Operações de decode, no entanto, permanecem inalteradas, já que são limitadas pela largura de banda de memória, que o unlock não modifica.
O método técnico por trás do unlock é engenhoso. O módulo combina a técnica V67/PLM do desbloqueador de cards de mineração CMP com o timing da abordagem UEFI, executando a sequência de desbloqueio, escrevendo os seletores de velocidade no firmware e realizando uma FLR (Functional Level Reset) antes que o driver NVIDIA não modificado assuma o controle da GPU. Diferente de modificações no driver, isso significa que cada atualização do driver NVIDIA não requer retrabalho — o módulo carrega via initramfs durante a inicialização, antes mesmo do driver proprietário ser carregado. A instalação consiste em clonar o repositório, rodar `make install` e adicionar `gpu_unlock.targets=all` às parâmetros da linha de comando do kernel.
A NVIDIA historicamente restringe certas capacidades de computação e recursos de vGPU em GPUs consumer da linha GeForce, mesmo quando elas compartilham a mesma arquitetura de chip que as GPUs profissionais mais caras das linhas Quadro, RTX A-series e RTX PRO. A lógica corporativa é clara: segments de mercado separados, preços escalonados por desempenho desbloqueado. O GPU Unlock expõe que essa restrição é puramente de software — o hardware capaz existe, mas o firmware impõe artificialmente um limite para manter a diferença de preço entre produtos.
Isso levanta questões que vão além do benchmark. Se o hardware pode fazer o trabalho e o limite é apenas um bit no firmware, por que a NVIDIA mantém essa restrição? Para o usuário que roda inferência local — o público que consome o MPDev — a resposta importa porque afeta diretamente o custo-benefício de GPUs de segunda mão. Se uma RTX 3090 Ti usada por uma fração do preço de uma A100 pode alcançar performance comparável em matmuls densos com um módulo de kernel, o cálculo econômico de quem treina ou infere modelos localmente muda significativamente.
O projeto é GPL-2.0-only e o código fonte está sob escrutínio público. A própria NVIDIA não comentou a publicação, mas o precedente existe: a comunidade já desbloqueou capacidades semelhantes em cards de mineração CMP, e a NVIDIA eventualmente se adaptou. O que o GPU Unlock demonstra é que as fronteiras entre hardware consumer e profissional são menos rígidas do que o marketing sugere — e que, no mundo da inferência local de IA, a criatividade da comunidade open-source continua sendo o recurso mais valioso.
Fontes: WCCFTech, AI Weekly, GitHub - Zagitta/gpu-unlock
✓ Fontes independentes cruzadas e verificadas antes da publicação
