Tu GeForce corre IA a media velocidad a propósito

Hay un número en el README de gpu-unlock que me hizo dejar el café: una RTX 4090 pasa de 165 a 329 TFLOPS en aritmética matricial BF16. No por overclocking. No por una VBIOS modificada. Escribiendo dos valores en los selectores de velocidad de la tarjeta antes de que cargue el driver de NVIDIA.
El proyecto lleva todo el otoño subiendo en la lista de tendencias mensuales de GitHub y anda por las 17.700 estrellas. Es un módulo del kernel de Linux, GPL-2.0, mantenido por una sola persona que firma el README pidiendo ayuda para comprar más GPUs.
Lo que NVIDIA vende en realidad
Las tarjetas GeForce salen con sus tensor cores limitados a media velocidad para matemática FP16, BF16 y TF32 con acumulación FP32. No es un conjunto de instrucciones de nicho: es lo que usa casi toda la inferencia sin cuantizar y prácticamente todo el fine-tuning. El mismo silicio vendido como RTX A-series o como pieza de centro de datos corre a velocidad completa.
No es ningún secreto. Es segmentación de mercado, y el README lo dice en una línea cuando un usuario pregunta por qué NVIDIA capó la tarjeta: «quieren que las empresas compren las tarjetas profesionales sin estas limitaciones a precios mucho más altos».
El desbloqueo no es un parche del driver ni un flasheo de firmware. Es un módulo que se ejecuta en el initramfs, antes de que nvidia enlace la tarjeta, escribe los selectores de velocidad (SS0 0x88888888 selecciona la velocidad BF16 completa, un SS1 de 4 bits 0x8 habilita IMLA4) y hace un reset a nivel de función. La técnica combina un enfoque de desbloqueo ya existente con una sincronización cuidadosa. Como no se modifica nada en disco, una nueva versión del driver de NVIDIA no lo revierte.

Las ganancias son reales, pero no uniformes
Las cifras de titular son de rendimiento en matriz densa, y son grandes. Una RTX 3060 pasa de 27 a 51 TFLOPS. Una 3090, de 75 a 125. Una 4090 se duplica en el pico, con la advertencia, dicha sin adornos, de que la 4090 se queda sin potencia antes de quedarse sin tensor cores, así que las cargas reales ganan mucho menos de lo que sugiere el pico.
Las cargas reales son la parte interesante, porque la dispersión es enorme:
- Prefill / procesamiento de prompt en LLM (FP16, BF16, AWQ, GPTQ): +25–55%
- Tiempo hasta el primer token: 25–30% menos
- LoRA y fine-tuning completo en BF16: +25–50%
- Generación de imágenes (SDXL, SD 1.5, modelos DiT en ComfyUI): +30–55%
- Generación de video con cómputo BF16 (Wan 2.2): +15–20%
- Kernels de FlashAttention y SDPA: +50–60%
- llama.cpp / Ollama con GGUF cuantizado: 0–15%, sobre todo en contexto largo
- Decodificación token a token, INT8/FP8/INT4, gaming y CUDA en FP32 simple: sin cambios
Esa última fila es la que la gente pasa por alto. Si tu carga es decodificación limitada por ancho de banda de memoria —que es la mayor parte de la inferencia de chat en una sola tarjeta— no ganas nada. El desbloqueo compra rendimiento matricial, no ancho de banda. Quien esté corriendo un modelo de 4 bits con tamaño de lote uno debería cerrar la pestaña.
Donde rinde es en prefill, fine-tuning y difusión. Una mejora del 30% al 55% en generación de imágenes cambia de forma significativa cuántas iteraciones puedes permitirte en una tarde, y no cuesta nada en la pared salvo calor.
Por qué «idéntico a nivel de bit» es la afirmación interesante
El README afirma que las salidas son idénticas a nivel de bit antes y después; solo cambia la velocidad. Esa sola frase separa esto del overclocking de una manera que importa legal y prácticamente.
El overclocking cambia los resultados, puede corromper entrenamientos largos e invalida garantías de formas que los fabricantes pueden detectar. Quitar un limitador de velocidad no cambia la aritmética: las mismas instrucciones se ejecutan en el mismo orden, solo que más por ciclo. Si tienes un requisito de reproducibilidad, lo conservas.
También significa que los únicos riesgos reales son térmicos y eléctricos. La respuesta del README está calibrada: el throttling y la gestión de energía estándar siguen intactos, así que la tarjeta debería bajar de frecuencia antes que cocerse. Es plausible en un escritorio con ventilación. También es, obviamente, no una garantía sobre la que apostar una estación de trabajo alquilada.
Instalarlo, y qué se rompe
Solo Linux, y la instalación son tres pasos si tu distribución es Arch, Debian/Ubuntu o Fedora:
git clone https://github.com/Zagitta/gpu-unlock
cd gpu-unlock
make install
Luego añade gpu_unlock.targets=all a la línea de comandos del kernel —o una lista separada por comas de direcciones PCI si solo quieres tarjetas concretas— y reinicia. La verificación es journalctl -k -b | grep gpu_unlock.
El soporte de tarjetas es donde el proyecto es honesto sobre sus propios límites. Ampere (RTX 30) está marcada como estable con más de cien reportes de usuarios. Ada (RTX 40) y Turing (RTX 20) son experimentales. Blackwell (RTX 50) no tiene soporte y, según el autor, es poco probable que lo tenga.
Hay dos modos de fallo que conviene conocer antes de intentarlo. Los portátiles pierden el desbloqueo cada vez que la GPU discreta se apaga, cosa que muchas hacen en reposo; desactivar la gestión de energía en tiempo de ejecución ayuda en algunos modelos y en otros no. Y la suspensión a RAM reinicia los selectores, aunque el módulo vuelve a aplicar el desbloqueo al reanudar por defecto, lo que añade alrededor de un segundo.
Windows existe solo como un port de terceros al que el README enlaza con un «los resultados pueden variar». También advierte, con el tono plano de quien ha visto pasar esto, que hay monedas cripto e instaladores dando vueltas con el nombre del proyecto, y que ninguno es suyo.
La parte que nadie quiere escribir
La mitad del cómputo de IA de los PCs gaming del mundo está detrás de un interruptor de firmware que existe para proteger un escalón de precio. Ese es el hallazgo real, y es más grande que un repositorio.
Una vez que lo sabes, otras cosas se ven distintas. El precio del GPU en la nube se fija contra tarjetas que tienen el limitador apagado. Una 3090 de segunda mano vale en silencio más que su etiqueta desde hace dos años. Y todo el argumento de «necesitas una GPU de centro de datos para inferencia seria» se vuelve un poco más blando cuando un módulo del kernel recupera el 65% del rendimiento tensorial en una tarjeta que cuesta una décima parte.
Hay un contraargumento legítimo, y lo voy a hacer: la segmentación es cómo NVIDIA financia el stack de software que hace utilizables estas tarjetas en primer lugar. CUDA no se pagó solo. Desbloquear una tarjeta de consumo no es robar, pero tampoco es gratis: el costo lo asume todo el que compra la pieza profesional.
Eso es un argumento sobre la justicia, no sobre si el interruptor existe. Y los argumentos sobre la justicia no suelen detener a alguien con una caja Linux de repuesto y un fine-tuning que tiene que estar listo el viernes.
Si vas a probarlo
Hazlo en una máquina que puedas permitirte reinstalar. Comprueba tu generación primero: Ampere es donde están los reportes. Mide antes y después con la carga que realmente corres, no con un GEMM sintético, porque toda la historia aquí es que la ganancia depende por completo de si te limita la matemática matricial o el ancho de banda de memoria.
Y lee las FAQ. El autor responde a «¿esto daña mi GPU?» con un no razonado, y a «¿por qué hizo esto NVIDIA?» con una respuesta de una frase más útil que la mayoría de los whitepapers de fabricantes.
Artículos relacionados
Una hoja de cálculo comunitaria de toques que apaga la publicidad de los Android chinos
No toca el sistema, no desbloquea nada, no flashea nada. Solo mueve los interruptores que los fabricantes ya dejaron a la vista. El precio es una lista que alguien tiene que seguir escribiendo.
GPT Image 2.6 mantuvo el precio por token y subió la factura
GPT Image 2.6 mantiene cada tarifa por token de 2.5 y aun así cuesta más por imagen, porque buena parte del trabajo ocurre ahora en tokens de salida. Once días después del lanzamiento, la estructura de precios dice más que el ranking.
Alguien reconstruyó IDM desde fuera y anotó lo que no tocó
Una reimplementación en Rust de Internet Download Manager promete 5 veces la velocidad y 86 idiomas. El documento más interesante es el párrafo que explica cómo se construyó sin copiar nada.
Rune es un framework de UI en Rust creado para que un agente pueda comprobar su propio trabajo
Rune renderiza sin interfaz, vuelca su árbol de elementos y acepta entrada programada, lo que da a un agente de código una señal diffeable que una captura nunca ofrece. El framework está en prelanzamiento y no acepta pull requests.