← Zurück zum Blog
Aica. 6 Min. Lesezeit

GeForce-Karten laufen mit halben Tensor Cores – ein Patch gibt sie frei

Veröffentlicht 11. Nov. 2026
GeForce-Karten laufen mit halben Tensor Cores – ein Patch gibt sie frei

Die Behauptung ist ein Satz lang, und es ist die Sorte, die einen wütend macht, bevor man fertig gelesen hat: NVIDIA verkauft GeForce-Karten, deren Tensor Cores für FP16-, BF16- und TF32-Rechnungen mit FP32-Akkumulation auf halbe Geschwindigkeit begrenzt sind.

Das ist die Rechnung, die fast jedes Training und jede unquantisierte Inferenz nutzt. Dieselbe Siliziumscheibe als RTX-A-Serie oder Profikarte läuft mit voller Rate. Ein Projekt namens gpu-unlock behauptet, die Drossel beim Booten zu entfernen, bevor der Standardtreiber lädt – und hat damit rund 15 000 Sterne gesammelt.

Vorab: Das ist ein Kernel-Patch auf Boot-Ebene unter Linux, GPL-2.0, und nichts, was man auf der Maschine ausprobiert, mit der man sein Geld verdient.

Warum die Behauptung nicht verrückt ist

Produktsegmentierung per Firmware ist keine Verschwörungstheorie, sondern ein Geschäftsmodell. Intel hat jahrzehntelang CPUs mit gesperrtem Multiplikator verkauft. GPU-Hersteller sortieren Chips, und die Bins unterscheiden sich in mehr als der Taktfrequenz. Die interessante Frage ist nie „segmentieren sie“, sondern „welche konkrete Fähigkeit haben sie abgeschaltet, und ist sie in Hardware oder in Software aus“.

Die Antwort des Projekts lautet Software, und sie ist konkret: FP16-, BF16- und TF32-Akkumulation mit FP32-Accumulate. Die eigene FAQ beantwortet die naheliegende Frage in einer Zeile – „Marktsegmentierung, sie wollen, dass Firmen die Profikarten ohne diese Einschränkungen zu deutlich höheren Preisen kaufen“ – und dann die zweite naheliegende Frage, ob es die Karte beschädigt, mit „sehr unwahrscheinlich“, wobei Throttling und Power-Management intakt blieben.

Ich würde beide Antworten als Behauptungen behandeln, nicht als Garantien. Der Mechanismus ist plausibel, das Motiv ist branchenweit dokumentiert. Die langfristigen thermischen Folgen auf einem bestimmten SKU sind nichts, was ein README versprechen kann.

Was es an den Zahlen ändert

Das README veröffentlicht eine Tabelle erwarteter Gewinne: bis zu 2× FP16/BF16/TF32-Tensordurchsatz, +25–55 % LLM-Prefill, +25–50 % Fine-Tuning, +30–55 % Bildgenerierung.

Diese Bereiche sind ungewöhnlich konkret, und ihre Form ist aufschlussreich. Prefill ist eine große Matmul-Last und profitiert daher am stärksten vom rohen Tensordurchsatz. Decode ist speicherbandbreitenbegrenzt und profitiert am wenigsten – deshalb bezieht sich die Behauptung auf Prefill und nicht auf Tokens pro Sekunde insgesamt. Fine-Tuning liegt in der Mitte. Bildgenerierung, eine dichte Convolution-und-Attention-Last, landet nahe oben.

Wer auf einer 4090 LoRA-Fine-Tuning macht, erlebt den Unterschied zwischen einem neunstündigen und einem fünfstündigen Lauf. Wer nachts Bilder in Stapeln erzeugt, erlebt den Unterschied zwischen 400 und 550 Bildern. Beides ist kein Rundungsfehler.

Eine Grafikkarte auf dunkler Oberfläche, eine Lupe liegt über einer Ecke der Platine

Die Kompatibilitätsliste ist die eigentliche Geschichte

Hier wird das Projekt ehrlich auf eine Weise, die die meisten Hardware-Hacks nicht zeigen.

Ampere, RTX-30-Serie: unterstützt. Die Liste ist ausgeschrieben – 3050 bis 3090 Ti, plus bestimmte Laptop-Varianten.

Ada Lovelace, RTX-40-Serie: experimentell.

Turing, RTX-20-Serie: experimentell.

Blackwell, RTX-50-Serie: nicht unterstützt, und die FAQ ergänzt „unwahrscheinlich, dass das kommt“.

Diese letzte Zeile wiegt schwerer als die Liste der unterstützten Karten. Die neuesten Karten, die, die Leute gerade für KI-Arbeit kaufen, sind genau die, auf denen es nicht läuft. Das Werkzeug ist also kein allgemeiner Unlock. Es ist eine Rettungsaktion für eine Hardware-Generation, die viele schon besitzen.

Es gibt einen Laptop-Vorbehalt, den man leicht übersieht und der einen Nachmittag kostet: Auf Laptops bleibt der Unlock nur erhalten, wenn die dedizierte GPU nie vollständig abgeschaltet wird. Viele schalten sie im Leerlauf ab, was den Unlock still zurücksetzt. NVreg_DynamicPowerManagement=0x00 hilft bei manchen Modellen. „Erwarten Sie gemischte Ergebnisse“ steht im README, und das ist die richtige Erwartung.

Wie die Installation abläuft

Es ist kein Treiberaustausch. Genau diese Designentscheidung macht es interessant.

Man klont das Repo, führt make install aus und ergänzt dann gpu_unlock.targets=all in der Kernel-Kommandozeile. Bei GRUB editiert man GRUB_CMDLINE_LINUX_DEFAULT und generiert neu. Bei Fedora nimmt man grubby. Bei systemd-boot editiert man die Optionszeile. Dann rebooten.

Der Unlock passiert, bevor der NVIDIA-Standardtreiber lädt, und übersteht damit Treiberupdates. Das README stellt klar, dass die im Build festgelegte Treiberversion nur geladen wird, um die Firmware zu extrahieren, von der der Unlock abhängt – nicht weil der Unlock versionsgebunden wäre.

Das ist ein deutlich anderes Risikoprofil als das Patchen des Treiber-Binaries. Ein Treiber-Patch bricht bei jedem Update und kann einen ohne Bildschirm zurücklassen. Ein Firmware-Patch zur Bootzeit, von dem der Treiber nichts weiß, funktioniert eher oder scheitert sauber.

Wahrscheinlicher ist nicht garantiert. Man sollte vorher wissen, wie man ohne den Parameter bootet.

Wen das interessieren sollte – und wen nicht

Interessant, wenn man eine RTX 3090 oder 4090 für Fine-Tuning oder Bildgenerierung in Stapeln betreibt, Linux nutzt und sich zutraut, eine Bootloader-Konfiguration zu editieren. Die Rechnung ist absurd: 30 % mehr Durchsatz für null Euro auf Hardware, die man längst bezahlt hat. In einem Markt, in dem H100 stundenweise gemietet werden, ist das eine seltsame Art von kostenlosem Mittagessen.

Nicht interessant unter Windows. Es gibt einen Community-Port, und das README selbst rät, mit den kursierenden Installern „sehr vorsichtig“ zu sein. Das ist der richtige Rat. GPU-Unlocks auf Kernel-Ebene aus inoffiziellen Binaries sind eine schlechte Kategorie von Vertrauen.

Nicht interessant mit einer RTX-50-Karte. Es funktioniert nicht, und laut Autor wohl auch künftig nicht.

Nicht interessant, wenn die eigene Arbeit inferenzlastig und bandbreitenbegrenzt ist. Die Decode-Geschwindigkeit bewegt sich kaum, und man hat sich Boot-Komplexität für eine Änderung eingehandelt, die man nicht messen kann.

Der unbequeme Teil

Es gibt eine Version dieser Geschichte, in der die Lehre lautet: „Die Hersteller betrügen euch.“ Ich halte das nicht für ganz richtig, und es lohnt, präzise zu sein.

NVIDIA verkauft eine 4090 für 1 600 Dollar und eine RTX 6000 Ada für rund 6 800 Dollar. Wären sie in jeder Hinsicht identisch, würde niemand die zweite kaufen – und die zweite finanziert die Treiber, das CUDA-Ökosystem und die Supportverträge, die Unternehmen wirklich brauchen. Segmentierung ist, wie dieser Markt geräumt wird.

Das Unbequeme ist nicht, dass die Drossel existiert. Es ist, dass sie unsichtbar ist. Auf der Schachtel steht nicht „FP16-Tensordurchsatz: halb“. Im Datenblatt steht es nicht. Man erfährt es durch Benchmarken oder durch ein GitHub-Repo mit 15 000 Sternen und einer FAQ, die die Frage beantwortet, die das Datenblatt vermieden hat.

Das ist eher ein Dokumentationsproblem als ein Hardwareproblem, und die Behebung ist billiger als die Hardware. Die Zahl veröffentlichen. Leute sollen entscheiden können, ob sich die Profikarte lohnt, wenn das tatsächliche Delta vor ihnen liegt – statt es Jahre später aus dem Kernel-Patch eines Fremden zu erfahren.

Verwandte Artikel