Modder Buka Kunci GPU NVIDIA RTX: Kinerja AI Naik Hampir 2x, Garansi Jadi Tanda Tanya
Redaksi Bit Nusantara ·
TL;DR · Ringkasan
Para modder membuka batas komputasi pada kartu grafis NVIDIA GeForce seri RTX 20, 30, dan 40, sehingga kinerja Tensor Core untuk beban kerja AI naik hingga sekitar dua kali lipat pada pengujian sintetis. Teknik itu diklaim bekerja tanpa mengubah perangkat keras maupun memasang VBIOS baru, dan dilaporkan dalam sepekan terakhir. Di luar benchmark, pengguna RTX 3090 Ti melaporkan kenaikan nyata yang lebih kecil, sekitar 58,6 persen pada satu model.
Poin kunci
- RTX 4090 naik dari 165,6 TFLOPS menjadi 331,6 TFLOPS pada throughput tensor FP16.
- Pada RTX 3090 Ti dengan batas daya 450W, throughput BF16 naik dari 71,59 menjadi 113,98 TFLOPS dalam uji GEMM.
- Pengguna RTX 3090 Ti melaporkan kenaikan throughput 58,6 persen pada model MOSS-Image SFT BF16 lewat ComfyUI.
- Seri RTX 30 yang didukung mencakup chip GA102, GA103, GA104, dan GA106; seri RTX 40 mencakup AD102, AD103, dan AD106.
JAKARTA, BIT NUSANTARA — Sejumlah modder berhasil melepas batas komputasi buatan pada kartu grafis NVIDIA GeForce seri RTX 20, 30, dan 40. Hasilnya, kinerja AI dan komputasi umum pada kartu-kartu itu meningkat signifikan.
Batas yang dilepas berupa pembatasan di sisi perangkat lunak pada operasi Tensor Core, unit khusus yang mempercepat perhitungan matriks untuk AI. Menurut bahan yang dihimpun, caranya tidak menyentuh perangkat keras dan tidak memerlukan flash VBIOS baru. Proyek open-source bernama GPU Unlock, yang dikembangkan Zagitta, juga disebut bekerja tanpa mengutak-atik driver atau VBIOS.
Kenaikan terbesar tercatat pada RTX 4090. Throughput tensor FP16 kartu ini sebelumnya 165,6 TeraFLOPS, lalu mencapai 331,6 TeraFLOPS setelah dibuka kuncinya. Angka pasca-modifikasi yang sama, 331,6 TFLOPS, juga dilaporkan di sumber lain.
Pada generasi sebelumnya, RTX 3090 Ti mencapai 157,4 TFLOPS untuk kinerja BF16. RTX 3090 mencatat 122,8 TFLOPS dalam pengujian PyTorch GEMM. Adapun RTX 2080 Ti, kartu dari seri RTX 20, mencapai 111 TFLOPS untuk operasi FP16 ke FP32. Secara umum, peningkatan kinerja komputasi GPU berkisar 1,8x hingga 2x.
Untuk seri RTX 30, teknik ini mendukung chip GA102, GA103, GA104, dan GA106. Seri RTX 40 yang didukung meliputi chip AD102, AD103, dan AD106. Seri RTX 20 juga disebut mendapat peningkatan hingga dua kali lipat.
Dalam uji GEMM pada RTX 3090 Ti dengan batas daya 450W, throughput BF16 naik dari 71,59 menjadi 113,98 TFLOPS. Pada sumber lain, kecepatan perkalian matriks BF16 kartu yang sama disebut meningkat hingga 80 persen. RTX 3080 Ti dengan batas daya 315W mencatat kenaikan performa TF32 dari 35,65 menjadi 65,28 TFLOPS.
Kenaikan di benchmark sintetis tidak otomatis berpindah utuh ke pekerjaan sehari-hari. Pengguna RTX 3090 Ti melaporkan peningkatan throughput 58,6 persen pada model MOSS-Image SFT BF16 yang dijalankan lewat ComfyUI. Laporan kompatibilitas untuk RTX 3080 10GB mencatat kinerja FP16/BF16 naik dari sekitar 65 TFLOPS menjadi 110–113 TFLOPS.
Implementasi eksperimental di Windows pada RTX 3090 mencatat kenaikan throughput komputasi BF16 sekitar 82,5 persen.
// Analisis redaksi
pendapat Redaksi Bit Nusantara · terpisah dari fakta
Bagi pembaca Indonesia yang bereksperimen dengan model AI di komputer sendiri, temuan ini berpotensi menarik. Kartu kelas konsumen yang sudah dimiliki dapat memberi throughput jauh lebih tinggi tanpa tambahan biaya, seperti tercermin dari klaim kenaikan 1,8x hingga 2x. Angka-angka seperti RTX 4090 yang melonjak dari 165,6 ke 331,6 TFLOPS menunjukkan bahwa batas pada perangkat lunak, bukan semata keterbatasan silikon, dapat menentukan seberapa cepat sebuah kartu menjalankan beban AI.
Namun, selisih antara hasil benchmark dan pemakaian nyata patut dicermati. Uji GEMM menunjukkan kenaikan hampir dua kali lipat, sedangkan laporan pengguna pada model gambar baru mencatat sekitar 58,6 persen. Bahan yang ada juga tidak memuat sikap NVIDIA, sehingga menjadi pertanyaan apakah modifikasi semacam ini berpengaruh pada garansi atau dukungan resmi, apakah stabil untuk pemakaian jangka panjang, dan apakah perusahaan akan menutup celah tersebut lewat pembaruan. Sebelum mencoba, pengguna sebaiknya menimbang risiko itu, terutama karena sebagian implementasi, seperti versi Windows, masih tercatat eksperimental.
- #NVIDIA
- #Tensor Core
- #Modder
- #AI
- #VBIOS