Das Vorzeigeergebnis — RTX 3090 Ti, dense GEMM

Vom Projekt berichtet Dense 8192³ GEMM auf einer RTX 3090 Ti bei einem Leistungslimit von 450 W, Median aus fünf Messungen, FP32-Akkumulation. Veröffentlicht in der gpu-unlock-README und ihrem verlinkten Benchmark-Bericht.

Warum BF16 am meisten gewinnt: Die Sperre halbiert die FP/BF16-FMA-Issue-Rate in FP32-Operationen, also kann ihre Entfernung diese Rate höchstens verdoppeln — die +80% von BF16 holen den größten Teil des theoretischen Spielraums in diesem Benchmark heraus. FP16 verbesserte sich im selben Lauf weniger (+35%); die README schlüsselt den Unterschied nicht auf, und echte Workloads mischen ohnehin viele Operationstypen, also behandle das Trio als „in diesem Benchmark gemessen“ statt als Formel. Und das sind eine Karte, ein Benchmark, ein Leistungslimit: „Was die Freischaltung bei einem 450-W-Flaggschiff kann“, kein Versprechen für jede Karte.

Ergebnisse pro Karte — Community-Berichte

Von der Community berichtet BF16-dense-GEMM-Zuwächse aus den Nutzerberichten in der Liste getesteter Karten des Projekts. Jeder Bericht führte seinen eigenen Benchmark aus, also sind die Zeilen nicht direkt vergleichbar — und Leistungslimits erklären einen großen Teil der Spanne.

Echte Workloads

Von der Community berichtet In der README des Projekts aus seinen Issue-Berichten versammelt:

• LLM-Prefill: +14–36%. Prefill ist compute-gebundene Matrixarbeit, also profitiert es — wenn auch weniger als reines GEMM, weil ein echter Modelllauf nie eine perfekte Matrixmultiplikation ist.
• LLM-Decode: keine Verbesserung berichtet. Decode wird durch die Speicherbandbreite begrenzt. Die Freischaltung hebt eine Issue-Rate-Obergrenze an, die Decode nie erreicht.
• Diffusionsmodelle (ComfyUI): +47–59% bei BF16-Bildmodellen — der Test eines Nutzers, vollständig gekennzeichnet. Reddit-Nutzer under-_-null maß eine RTX 3090 Ti (EVGA-FTW3-Karte mit Stock-Takten in einem Dell Precision 5820, 450-W-Limit, Ubuntu, ComfyUI 0.42.1, Batch 1, Standard-PyTorch-SDPA-Attention; die Zeiten umfassen Textkodierung, Sampling, Dekodierung und Speichern, aber nicht das erste Laden des Modells). Protokoll: Für jedes Bildmodell wurden 15 gemessene Generierungen aufgezeichnet, nachdem 3 Aufwärmläufe ausgeschlossen wurden, und der Median dieser 15 genommen; für die Video-Workflows (MiniMax H3, LTX-2.5) wurden 3 gemessene Clips nach 1 ausgeschlossenen Aufwärmclip aufgezeichnet und der Median der 3 genommen — eine kleine Stichprobe, behandle Video-Prozentwerte also als Anhaltspunkte. Die BF16-Ergebnisse lagen bei +56.1%, +57.2% und +58.6% über drei Bildmodelle, mit MiniMax H3 bei +60.2%; Notebookcheck fasste den Lauf als ungefähr +47–59% zusammen. Derselbe Test, der Ausgewogenheit halber: Die LTX-2.5-Videogenerierung gewann +16.8% und MOSS-Image in INT8 +0.3% — und eine Warnung zu Labels: Der FLUX.1-dev-FP8-Checkpoint des Berichts gewann +54.6%, aber dieser Checkpoint rechnet intern in BF16, also kann ein Zuwachs unter einem „FP8“-Label trotzdem die BF16-Freischaltung bei der Arbeit sein. Der INT8-Befehlsdurchsatz selbst ist nicht das, was dieses Modul verändert. Ein einzelner Nutzer, eine einzelne Karte, nicht unabhängig verifiziert — behandle es als einen gut dokumentierten Datenpunkt, nicht als Versprechen. FlashAttention ist in der README bei den matrixlastigen Workloads gruppiert, ohne kanonischen Prozentwert.
• INT8: keine Verbesserung berichtet. Die Selektoren, die dieses Modul schreibt, steuern FP/BF16-Raten (der ComfyUI-Lauf oben sah +0.3% bei seinem INT8-Modell — innerhalb des Rauschens).
• Ausgaben: bitidentisch in den Berichten, die sie verglichen haben. Die Berichte, die Ergebnisse vorher und nachher prüften, fanden dieselben Ausgaben. Der ComfyUI-Lauf oben verglich 150 Bildpaare Pixel für Pixel — alle identisch — und 6 Audiopaare stimmten überein; seine Videoframes waren nicht perfekt identisch, allerdings variierten auch einfache Wiederholungsläufe in derselben Sitzung, sodass dieser Unterschied nicht der Freischaltung zugeschrieben werden kann. Die Freischaltung verändert, wie schnell Befehle ausgegeben werden, nicht, was sie berechnen.

Gaming-Leistung

Es gibt zum Zeitpunkt des Schreibens keine verifizierten Gaming-Benchmark-Daten für gpu-unlock — keine FPS-Tabellen in der README oder ihren verlinkten Berichten. Die Sperre, die es entfernt, zielt auf FP/BF16-Compute-Issue-Raten, die von KI- und HPC-Workloads genutzt werden, und jede veröffentlichte Messung ist ein Compute-Benchmark. Wenn Gaming-Zahlen für dich wichtig sind, lautet die ehrliche Antwort heute „nicht gemessen“, und du solltest alle ohne Methodik kursierenden FPS-Behauptungen als nicht verifiziert behandeln.

Primärquelle: github.com/Zagitta/gpu-unlock (Benchmark-Tabelle und Liste getesteter Karten der README, mit Links pro Bericht), festgehalten bei Commit af28cbb. ComfyUI-Werte: RTX-3090-Ti-Test des Reddit-Nutzers under-_-null, wie von Notebookcheck und WccfTech berichtet. Die Werte der RTX-40-Serie stehen auf der RTX-40-Seite — anderes Projekt, andere Belegbasis.