英伟达GPU解锁隐藏算力：RTX 4090吞吐翻倍，多款老卡跟涨

硬件没动，驱动没换，一张RTX 4090的特定Tensor Core运算吞吐率却从165.6 TFLOPS拉到331.6 TFLOPS，整整翻了一倍。

而且被挖出余量的卡不止这一张。RTX 3090 Ti、RTX 4070 Ti SUPER，连2018年出的RTX 2080 Ti，在社区测试里都跑出了明显的性能涨幅。事情的起点在GitHub：一批开发者盯上了英伟达GPU底层的计算限制。

他们发现，部分GeForce显卡的Tensor Core在跑特定混合精度运算时，指令发射速率被卡了一道。只要在GPU启动阶段改掉相关配置，原先受限的运算路径就能恢复更高的吞吐率。

不用换卡，不用刷显卡BIOS；在已经验证过的Linux方案里，原版NVIDIA驱动照常运行。眼下GitHub上针对RTX 20、30、40三代显卡的项目都已经出现，还有开发者在Windows 11环境里把实验做完了。开源社区这场围绕英伟达显卡「隐藏算力」的挖掘，已经铺开。

RTX 4090算力翻倍

最抓眼球的结果出自RTX 4090。开发者JustAResearcher在开源项目gpu-unlock-ada里放出了这张卡解锁前后的测试数据。项目上线仅2天，Star量就攒到了2.7k。

项目地址：https://github.com/JustAResearcher/gpu-unlock-ada

看具体数字：FP16输入、FP32累加的Tensor Core运算，吞吐率由165.6 TFLOPS升到331.6 TFLOPS，差不多翻倍；BF16输入、FP32累加也一样，从165.5 TFLOPS变成330.6 TFLOPS。也就是说，同一张RTX 4090在特定混合精度运算下能跑到此前约两倍的指令吞吐率。为排除偶然，开发者把测试循环从2万次加到4万次，FP16/FP32和BF16/FP32分别测得330.8 TFLOPS和330.3 TFLOPS，跟之前基本对得上。

整个实验没换显卡硬件，也没靠拉高功耗上限、手动超频或者改NVIDIA官方驱动来换性能。技术报告显示，测试卡用的是AD102芯片，128个SM，跑Linux 7.2.4内核，功耗上限守在450W。开发者借GPU启动阶段的固件执行流程拿到受保护寄存器的写入权限，再改控制计算速率的寄存器配置。

配置改完后，显卡做了一次PCIe功能级重置（FLR），接着由未经修改的NVIDIA 615.78.08驱动正常接管。驱动初始化和CUDA测试之后的寄存器检查显示，解锁配置仍然生效。RTX 4090在部分Tensor Core运算模式下的速率限制就这样被解除，原有计算单元执行FP16/BF16输入、FP32累加指令时能跑到更高吞吐率。

不过性能变化没有铺到所有运算类型。FP16输入、FP16累加在解锁前就到325.7 TFLOPS，解锁后经较长循环测试为331.6 TFLOPS，并没有类似翻倍。INT8运算吞吐率基本停在661 TOPS左右，普通FP32标量运算也维持在约79.1 TFLOPS。可见这次解锁主要动的是此前受速率限制的特定Tensor Core运算路径，RTX 4090的全部算力并没有一起翻倍。

另一位RTX 4090持有者用经过审查的项目代码独立复测了一遍。实验环境是Linux 7.2.11-arch1-1内核加NVIDIA 615.78.08驱动，解锁前后同一张卡、同一套测试程序、同样450W功耗上限，结果得到进一步验证：FP16输入、FP32累加的指令吞吐率从160.4 TFLOPS升到320.4 TFLOPS，BF16输入、FP32累加从159.7 TFLOPS升到320.2 TFLOPS，两项都接近翻倍。

复测地址：https://github.com/JustAResearcher/gpu-unlock-ada/blob/main/docs/evidence/rtx4090-pr1-matched/README.md

可测试从底层指令吞吐率转到实际矩阵乘法，涨幅就没这么夸张了。cuBLAS矩阵乘法测试里，FP16吞吐率随矩阵规模不同提升约12%至34%，其中4096×4096矩阵乘法从153.2 TFLOPS升到206.0 TFLOPS，增幅约34.4%。BF16的差异更大：1024×1024和8192×8192规模分别提升约19.6%和16.0%，4096×4096这一档性能基本没动。差异跟实际计算任务的执行方式有关——底层指令吞吐率测试尽量压掉了内存访问等因素，真实矩阵乘法还要算上数据搬运、计算调度和不同规模下的运算效率。所以，RTX 4090特定Tensor Core指令吞吐率翻倍已有独立复测支持，但这不等于实际AI训练或推理速度也能翻倍。

RTX 30系列同样算力暴涨

RTX 30系列也传来好消息。开发者Zagitta的开源项目gpu-unlock已在多款RTX 30系列显卡上跑通。其中RTX 3090 Ti表现相当亮眼：450W功率上限下，BF16矩阵运算吞吐率从87.5 TFLOPS升到157.4 TFLOPS，涨幅接近80%；TF32的提升更达到94%，几乎翻倍。

RTX 3080、3070 与 3060 也先后有解锁成功的消息传出。RTX 3080 10GB 的 BF16 吞吐率由 65.4 TFLOPS 升至 113.4 TFLOPS，涨幅约 73%；RTX 3070 和 RTX 3060 的对应测试则分别拿到约 81% 和 76% 的提升。

项目地址：https://github.com/Zagitta/gpu-unlock

这套做法和此前 RTX 4090 的解锁思路相近：gpu-unlock 同样盯着 GPU 启动阶段的固件执行流程，改动的是控制 Tensor Core 指令发射速率的寄存器配置。NVIDIA GPU 内部本来就有管着不同指令执行速率的寄存器，SS0 和 SS1 就在其中，它们受权限保护，普通驱动碰不了。

Zagitta 借用了早前 CMP 显卡解锁项目里的 V67 技术，钻的是 GPU 安全启动固件中的漏洞，通过返回导向编程（ROP）改写权限级别掩码（PLM），由此拿到相关寄存器的写入权限。接下来，程序把 SS0 设成 0*88888888，SS1 设成 0*8，对应的运算路径就切到了更高的指令发射速率。

和改驱动不同，Zagitta 把整个解锁流程做进了 Linux 内核模块。系统启动时，这个模块抢在 NVIDIA 官方驱动接管显卡之前跑完，把寄存器配置改好，再借 PCIe 功能级重置（FLR）让配置生效；之后未经修改的 NVIDIA 驱动照常加载。按这套方案，部分 Ampere 架构显卡在执行 FP16/BF16 输入、FP32 累加指令时，指令发射速率能达到原来的两倍。

技术传开之后，提交独立测试结果的显卡用户越来越多。

一名用 RTX 3080 10GB 的开发者把功率上限设在 320W 又测了一轮。BF16 吞吐率涨了约 73% 之外，FP16 输入、FP32 累加的矩阵运算吞吐率也从 64.88 TFLOPS 升到 110.14 TFLOPS，增幅约 70%。

在持续 120 秒的 FP16/BF16 交替矩阵运算测试里，这张卡完成的计算次数由 6940 次增至 11860 次，平均吞吐率提升约 71%。两轮测试功耗都维持在约 318W，峰值温度分别是 78℃ 和 79℃。

计算结果的正误也做了核对：FP16、BF16 和 TF32 矩阵运算中，解锁前后的输出完全一致。但提升并非所有任务都能拿到。原本就跑得较快的 FP16 输入、FP16 累加运算，吞吐率基本停在 112 TFLOPS 左右；INT8 运算和普通 FP32 运算也几乎没变。

矩阵运算之外，一些实际 AI 任务同样提速了。有 RTX 3090 用户用 vLLM 跑 27B BF16 大模型，提示词预填充速度提升约 33%，首个 Token 的响应时间缩短约 24%；另一位开发者用两张显存扩容版 RTX 3080 做大模型预填充测试，也拿到约 33% 至 36% 的性能提升。RTX 3080 测试报告：https://github.com/Zagitta/gpu-unlock/issues/15?

不过两组实验里，逐 Token 生成速度都没有明显变化。原因在于大模型预填充阶段要做大量矩阵计算，而逐 Token 生成更多卡在显存带宽上。

从寄存器层面的改动到真实 AI 工作负载，这次解锁已经在多款 RTX 30 系列显卡上拿到可观的性能收益。同样的思路，也开始被开发者搬到更早的 GPU 架构上。

8 年前的 2080 Ti 也被挖出潜力

RTX 20 系列这边的进展更有意思。2018 年发布的 RTX 2080 Ti 距今已经八年，当年售价上千美元的旗舰卡，如今早就退出了高端 GPU 性能竞争的第一线。可随着 NVIDIA GPU 算力解锁技术传开，这张老卡又被开发者翻出来测试。开发者 nlzy 把 gpu-unlock 的相关技术移植到 NVIDIA Turing 架构，并在 GitHub 上开源了项目 turing-unlock。

项目地址：https://github.com/nlzy/turing-unlock

测试用的是一张 22GB 非标准显存配置的 Dell RTX 2080 Ti。原版 RTX 2080 Ti 只有 11GB 显存，所以这张卡的硬件配置和普通零售版并不相同。在 250W 功耗设置下，开发者用 cuBLAS 做了 FP16 输入、FP32 累加的矩阵乘法测试：矩阵的 M、N、K 三个维度都取 2048 时，吞吐率从解锁前的 55.7 TFLOPS 升到 91.4 TFLOPS，增幅约 64.1%。

其他矩阵规模也有不同程度的提升。1024 规模从 50.3 提升至 68.3 TFLOPS，提升约 35.8%；

4096 规模从 53.7 提升至 81.7 TFLOPS，提升约 52.1%；

8192 规模从 52.8 提升至 77.9 TFLOPS，提升约 47.5%。

拿 NVIDIA 在 Turing 架构白皮书里给出的 RTX 2080 Ti 对应 FP16 Tensor Core 峰值吞吐率 56.9 TFLOPS 作对照：按这个数字算，2048 规模下解锁前的测试结果达到标称峰值的 97.9%，解锁后则达到 160.6%。可见原先的速率配置确实压住了这条计算路径能发挥的吞吐率，调整配置之后，原有 Tensor Core 在相应运算模式下能执行更多计算。

另一名开发者的实验里，也出现了类似的结果。

GitHub 用户 haohervchb 另起了一个 Turing-unlock 项目，拿一张 ASUS RTX 2080 Ti 做实测。这张卡是 TU102 芯片，68 个 SM，显存为标准 11GB。做法和 nlzy 的 Linux 内核模块不同：走的是系统启动前的 UEFI 路线，在操作系统加载之前就把 GPU 的相关配置改掉。

底层 MMA（矩阵乘加）指令测试采用 FP16 输入、FP32 累加，解锁前吞吐率为 46.94 TFLOPS，解锁后升到 93.66 TFLOPS，差不多翻了一倍。按每个 SM、每个时钟周期执行的浮点运算次数算，也从约 511.7 FLOP/SM/clock 提高到 1022.4 FLOP/SM/clock。

项目地址：https://github.com/haohervchb/Turing-unlock

换到实际 cuBLAS 矩阵乘法测试，增幅就收窄了。8192×8192 规模的 GEMM 测试里，吞吐率由 48.15 TFLOPS 升到 85.17 TFLOPS，增幅约 76.9%。没到底层指令测试那种接近两倍的水平，不过对一张八年前发布的显卡来说，这个提升依然相当可观。

两项研究眼下验证的范围都还有限。现有证据只能说明部分 TU102 显卡可以通过修改速率配置，提高特定 Tensor Core 运算的吞吐率。其他 RTX 20 系列型号能不能照搬这套方法，不同驱动、固件版本下兼容性如何，都还要进一步验证。实际 AI 训练、推理和游戏性能能提升多少，也没法直接拿这些测试数据推算。

Windows 11 也有人成功了

上述探索基本集中在 Linux 环境。多个项目陆续开源之后，Windows 平台也冒出了实验性进展。

开发者 TOTORONG 在 Hugging Face 上公开了 AD103_win_unlocker，展示的是 Windows 11 环境下修改 GPU 计算配置的实验。

项目地址：https://huggingface.co/TOTORONG/AD103_win_unlocker/blob/main/docs/INSTALL.en.md

测试用的是一张经过显存扩容、容量达到 32GB 的 RTX 4080，GPU 为 AD103。

这套方案同样不走 Linux 内核模块那条路，而是用 UEFI 程序，在 Windows 启动前完成相关配置修改，再把控制权交还 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。

两项测试的吞吐率都接近翻倍。这说明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，还不能当作普通 RTX 4080 或整个 RTX 40 系列通用兼容的依据。

参考链接：

https://x.com/Pirat_Nation/status/2114297495815704697