Mehrere quelloffene Projekte heben über einen Firmware-Exploit die Drosselung der Tensor-Rechenkerne auf Nvidia-Grafikkarten der Serien Geforce RTX 20, 30 und 40 auf.
Werkzeuge wie gpu-unlock, gpu-unlock-ada und turing-unlock ermöglichen es Anwendern, die herstellerseitige Beschränkung bei Matrix-Operationen in den Formaten FP16 und BF16 mit FP32-Akkumulation zu umgehen. Nutzer berichten in diesem Zusammenhang von deutlichen Leistungsgewinnen bei spezifischen Rechenlasten.
Firmware-Lücke erlaubt Freischaltung ohne BIOS-Modifikation
Technisch basieren die Werkzeuge auf einem Stack-Pufferüberlauf innerhalb der kryptografisch signierten SEC2-Booter-Firmware von Nvidia. Dadurch lassen sich sogenannte Speed-Select-Register direkt vor dem Start des Grafiktreibers manipulieren.
Ein riskanter Eingriff in das Grafikkarten-BIOS (VBIOS-Flash) ist dafür nicht erforderlich. Da die modifizierten Register flüchtig sind, setzt sich die Konfiguration bei jedem Ausschalten des Systems automatisch wieder auf die Standardwerte zurück.
Wer sich für die Optimierung seines Systems interessiert und die volle Kontrolle über seine Hardware schätzt, findet in diesem kostenlosen Paket den idealen Einstieg in eine leistungsstarke Betriebssystem-Alternative. Linux-Startpaket mit Ubuntu-Vollversion jetzt kostenlos anfordern
Derzeit läuft das Verfahren überwiegend unter Linux stabil, wo die Aktivierung über ein Kernelmodul vor dem Treiberstart mittels dreier Befehle und einer entsprechenden Boot-Option erfolgt. Für Windows existieren lediglich experimentelle Umsetzungen in wenigen getesteten Konfigurationen.
Zudem gilt die Stabilität bislang vor allem für die Generation RTX 30 als gesichert, während der Einsatz auf Karten der Reihen RTX 20 und RTX 40 experimentellen Status behält. Auch Laptop-Grafikprozessoren wie die RTX 3070 und RTX 3080 sprechen auf die Manipulation an. Neuere Architekturen wie die RTX-50-Reihe (Blackwell) werden von den Tools hingegen nicht unterstützt.
Deutliche Zuwächse bei synthetischen Matrix-Tests
Nvidia erlaubt Profikarten traditionell die volle Rechengeschwindigkeit, während Consumer-Modelle der Geforce-Reihe bei bestimmten Tensor-Operationen auf etwa die Hälfte limitiert werden. Nvidia gab bis zum Berichtszeitpunkt keine offizielle Stellungnahme ab und unterstützt das Vorgehen nicht.
In synthetischen Tests führt die Freischaltung zu beträchtlichen Leistungssteigerungen. Bei einer RTX 3090 Ti mit einer Leistungsaufnahme von 450 W und einer 8192er-Matrix kletterte die Rechenleistung bei BF16 mit FP32-Akkumulation von 87,50 auf 157,41 TFLOPS (+80 Prozent).
Während Profi-Hardware oft durch Software-Schranken limitiert wird, setzen Experten weltweit auf quelloffene Lösungen, um die maximale Performance aus ihrer IT herauszuholen. Erfahren Sie im gratis Startpaket, wie Sie die Vorteile von Ubuntu für sich nutzen und Ihr System ohne Lizenzkosten optimieren. Vorteile von Ubuntu sofort im Gratis-Startpaket testen
Im FP16-Betrieb stieg der Wort von 87,46 auf 118,39 TFLOPS (+35 Prozent) und bei TF32 von 42,58 auf 82,61 TFLOPS (+94 Prozent). Das Labor KohakuLab ermittelte für eine RTX 3090 unter PyTorch bei 360 W einen Anstieg von 75 auf 135 TFLOPS.
Tests von Tom’s Hardware vom 26. Oktober 2026 belegen für die RTX 3090 im BF16-Format Zuwächse von +25 bis +67 Prozent sowie für die RTX 3070 von +73 bis +81 Prozent. In der Community dokumentierte BF16-Messungen zeigen breite Gewinne:
- RTX 3060 12GB: von 27 auf 51 TFLOPS (+87 Prozent)
- RTX 3060 Ti: von 37 auf 68 TFLOPS (+82 Prozent)
- RTX 3070: von 40 auf 72 TFLOPS (+81 Prozent)
- RTX 3080 10GB: von 65 auf 113 TFLOPS (+73 Prozent)
- RTX 3090: von 75 auf 125 TFLOPS (+65 Prozent)
- RTX 4070 Ti: von 81 auf 150 TFLOPS (+84 Prozent)
- RTX 4070 Ti SUPER (240 W): von 95,0 auf 189,9 TFLOPS (Faktor 2)
- RTX 4080: von 104 auf 193 TFLOPS (+87 Prozent)
- RTX 4090: von 165 auf 329 TFLOPS (+100 Prozent als Peak-MMA-Rate)
- RTX 2080 Ti 22GB (250 W): Zuwächse bei FP16-Matrizen von +36 bis +64 Prozent, vereinzelt bis zu +85 Prozent.
Bei der RTX 4090 verdoppelt sich die theoretische FP16-Instruktionsrate von 165,6 auf 331,6 TFLOPS und bei BF16 von 165,5 auf 330,6 TFLOPS. Reale cuBLAS-GEMM-Matrix-Workloads zeigten ein Plus von +12 bis +34 Prozent bei FP16 und bis zu +20 Prozent bei BF16.
Auswirkungen auf Inferenz und praktische KI-Anwendungen
Die praktischen Auswirkungen hängen stark vom Einsatzzweck ab. Bei generativen KI-Modellen profitiert vor allem das sogenannte Prompt-Processing beziehungsweise PreFill, das Zuwächse zwischen +14 und +36 Prozent verzeichnet. In Bildgenerierungs-Workflows wie ComfyUI im BF16-Format steigen die Raten um +47 bis +60 Prozent; auch das Fine-Tuning profitiert spürbar.
Demgegenüber bleibt die eigentliche Token-Generierung großer Sprachmodelle unberührt, da dieser Prozess primär durch die Speicherbandbreite limitiert wird. Reines Gaming und Operationen im INT8-Format zeigen ebenfalls kaum oder keine Veränderungen.
Die ermittelten Werte beziehen sich folglich nur auf eng begrenzte Rechenoperationen. Eine Verkürzung der Gesamtlaufzeit vollständiger Anwendungen ist damit nicht in jedem Fall belegt, da die Kompatibilität nicht universell ausfällt und stark von Modell sowie Softwareumgebung abhängt.