gpu-unlock: 15.000 estrellas para quitar un límite que NVIDIA no documenta

La afirmación cabe en una frase y es del tipo que enfada antes de terminarla: NVIDIA entrega las tarjetas GeForce con los tensor cores limitados a la mitad de velocidad para matemática FP16, BF16 y TF32 con acumulación en FP32.
Esa es la matemática que usan casi todo el entrenamiento y toda la inferencia sin cuantizar. El mismo silicio vendido como serie RTX A o tarjeta profesional corre a velocidad completa. Un proyecto llamado gpu-unlock dice que quita el límite en el arranque, antes de que cargue el driver de fábrica, y llegó a unas 15.000 estrellas haciéndolo.
Antes de seguir: es un parche de kernel a nivel de arranque en Linux, GPL-2.0, y no es algo para probar en la máquina que te paga el sueldo.
Por qué la afirmación no es una locura
La segmentación de producto por firmware no es una teoría de la conspiración, es un modelo de negocio. Intel vendió CPUs con multiplicador bloqueado durante décadas. Los fabricantes de GPU clasifican los chips, y las clasificaciones se diferencian en más que la frecuencia. La pregunta interesante nunca es “¿segmentan?”, sino “¿qué capacidad concreta apagaron, y está apagada en hardware o en software?”.
La respuesta del proyecto es software, y es concreta: acumulación FP16, BF16 y TF32 con acumulador FP32. Su propio FAQ contesta la pregunta obvia en una línea —“segmentación de mercado, quieren que las empresas compren las tarjetas profesionales sin estas limitaciones a precios mucho más altos”— y luego contesta la segunda pregunta obvia, si daña la tarjeta, con “muy improbable”, señalando que el throttling y la gestión de energía siguen intactos.
Yo trataría ambas respuestas como afirmaciones, no como garantías. El mecanismo es plausible y el motivo está documentado en toda la industria. Las consecuencias térmicas a largo plazo en un SKU concreto no son algo que un README pueda prometer.
Qué hace con los números
El README publica una tabla de ganancias esperadas: hasta 2× de throughput de tensor en FP16/BF16/TF32, +25–55% en prefill de LLM, +25–50% en fine-tuning, +30–55% en generación de imágenes.
Son rangos inusualmente concretos, y su forma informa. El prefill es una carga grande de matmul, así que es lo que más se beneficia del throughput bruto de tensor. El decode está limitado por ancho de banda de memoria, así que es lo que menos gana, y por eso la afirmación habla de prefill y no de tokens por segundo en total. El fine-tuning queda en medio. La generación de imágenes, que es una carga densa de convolución y atención, queda cerca de arriba.
Si haces fine-tuning de LoRA en una 4090, es la diferencia entre una tanda de nueve horas y una de cinco. Si generas imágenes por lotes durante la noche, es la diferencia entre 400 y 550 imágenes. Ninguna de las dos es un error de redondeo.

La lista de compatibilidad es la historia real
Aquí el proyecto se vuelve honesto de una forma en que la mayoría de los hacks de hardware no lo es.
Ampere, serie RTX 30: compatible. La lista completa está detallada: de la 3050 a la 3090 Ti, más piezas concretas de portátil.
Ada Lovelace, serie RTX 40: experimental.
Turing, serie RTX 20: experimental.
Blackwell, serie RTX 50: sin soporte, y el FAQ añade “poco probable que ocurra”.
Esa última línea importa más que la lista de compatibles. Las tarjetas más nuevas, justo las que la gente está comprando ahora para trabajar con IA, son exactamente en las que no funciona. Así que la herramienta no es un desbloqueo general. Es una misión de rescate para una generación concreta de hardware que mucha gente ya tiene.
Hay una advertencia sobre portátiles fácil de pasar por alto y que costará una tarde: los portátiles solo siguen desbloqueados si la GPU dedicada nunca se apaga del todo. Muchos la apagan en reposo, lo que reinicia el desbloqueo en silencio. Poner NVreg_DynamicPowerManagement=0x00 ayuda en algunos modelos. “Espera resultados mixtos” es la fórmula del README, y es la expectativa correcta.
Cómo va la instalación en la práctica
No es un reemplazo de driver. Esa es la decisión de diseño que lo hace interesante.
Clonas el repositorio, ejecutas make install y luego añades gpu_unlock.targets=all a la línea de comandos del kernel. En GRUB editas GRUB_CMDLINE_LINUX_DEFAULT y regeneras. En Fedora usas grubby. En systemd-boot editas la línea de opciones. Después reinicias.
El desbloqueo ocurre antes de que cargue el driver NVIDIA de fábrica, lo que significa que sobrevive a las actualizaciones de driver. El README es explícito en que la versión de driver fijada en la compilación solo se descarga para extraer el firmware del que depende el desbloqueo, no porque el desbloqueo sea específico de versión.
Es un perfil de riesgo muy distinto al de parchear el binario del driver. Un parche de driver se rompe con cada actualización y puede dejarte sin pantalla. Un parche de firmware en el arranque que el driver desconoce tiene más probabilidades de funcionar o de fallar de forma limpia.
Más probabilidades no es garantía. Ten una forma de arrancar sin el parámetro antes de añadirlo.
A quién debería importarle, y a quién no
Impórtate si tienes una RTX 3090 o 4090 haciendo fine-tuning o generación de imágenes por lotes, usas Linux y te sientes cómodo editando la configuración del gestor de arranque. La economía es absurda: un 30% más de throughput por cero dólares, en hardware que ya pagaste. En un mercado donde la gente alquila H100 por horas, es un tipo raro de comida gratis.
No te importe si estás en Windows. Hay un port de la comunidad, y el consejo del propio README es tener “mucho cuidado” con los instaladores que circulan. Es el consejo correcto. Los desbloqueos de GPU a nivel de kernel desde binarios no oficiales son una mala categoría para confiar.
No te importe si tienes una tarjeta de la serie RTX 50. No funciona, y según el autor probablemente no funcionará.
No te importe si tu trabajo es intensivo en inferencia y limitado por ancho de banda. La velocidad de decode apenas se moverá, y habrás asumido complejidad de arranque por un cambio que no puedes medir.
La parte incómoda
Hay una versión de esta historia en la que la lección es “los fabricantes te están engañando”. No creo que sea exactamente eso, y conviene precisar por qué.
NVIDIA vende una 4090 por 1.600 dólares y una RTX 6000 Ada por unos 6.800. Si fueran idénticas en todo, nadie compraría la segunda, y es la segunda la que financia los drivers, el ecosistema CUDA y los contratos de soporte que las empresas realmente necesitan. La segmentación es cómo ese mercado se equilibra.
Lo incómodo no es que el límite exista. Es que el límite es invisible. Nada en la caja dice “throughput de tensor FP16: la mitad”. Nada en la ficha técnica lo dice. Te enteras haciendo benchmarks, o leyendo un repositorio de GitHub con 15.000 estrellas y un FAQ que responde a la pregunta que la ficha técnica evitó.
Eso es un problema de documentación más que de hardware, y el arreglo es más barato que el hardware. Publica el número. Deja que la gente decida si la tarjeta profesional merece la pena con el delta real delante, en lugar de descubrirlo años después por el parche de kernel de un desconocido.
Artículos relacionados
Google sacó los agentes de código del portátil, y el aviso de permiso sigue siendo el cuello de botella
La fontanería está casi resuelta. El aviso de permiso sigue siendo el cuello de botella humano.
NVIDIA libera cuatro modelos del mundo de 16B y la parte sin benchmark es el aprendizaje de políticas
NVIDIA dice que no está medido si estos modelos sirven para aprender políticas. La frase debería acompañar cualquier historia sobre modelos del mundo abiertos.
Cuatro de los repos más populares de GitHub son bibliotecas de skills, y ya hay un problema de empaquetado
La adopción va bien. El fallo interesante son cuatro formas incompatibles de instalar el mismo objeto.
Thinking Machines lanzó un modelo de 594B y dejó los pesos para la semana que viene
Un modelo fuerte, una receta documentada, una capacidad infravalorada y una fecha que el laboratorio no ha comprometido.