Des développeurs indépendants ont publié des outils capables de lever certaines limitations de calcul des GeForce RTX 20, 30 et 40. Sur des opérations précises utilisées par l’intelligence artificielle, les gains mesurés peuvent approcher un doublement du débit de calcul. Mais la nuance est essentielle : ces chiffres ne signifient pas qu’une RTX 4090 sera deux fois plus rapide dans les jeux, ni qu’un chatbot répondra deux fois plus vite. Les manipulations restent expérimentales et comportent des risques.
Article du 28 octobre 2026, basé sur les projets open source et les mesures publiées du 25 au 27 octobre. Les résultats rapportés ne constituent pas des tests réalisés par TechPi ni une fonction officiellement proposée par NVIDIA.
Ce qu’il faut retenir
- Des projets communautaires comme gpu-unlock contournent des limitations de débit de calcul des Tensor Cores sur certaines GeForce.
- Les générations Turing (RTX 20), Ampere (RTX 30) et Ada Lovelace (RTX 40) font l’objet d’outils distincts, avec une compatibilité variable.
- Sur une RTX 3090 Ti, un test BF16 passe de 87,5 à 157,4 TFLOPS, soit environ 80 % de plus, selon les mesures publiées.
- Sur une RTX 4090, le débit théorique d’émission de certaines instructions FP16 peut doubler ; les gains applicatifs sont souvent bien plus modestes.
- Pas de gain automatique dans les jeux vidéo ; les charges d’IA sensibles aux calculs matriciels sont les principales candidates.
Une limite des Tensor Cores que les développeurs cherchent à contourner
Les GeForce RTX possèdent des Tensor Cores, des unités spécialisées dans des opérations matricielles intensives particulièrement utiles à l’intelligence artificielle. Pour certaines instructions en FP16 ou BF16 avec accumulation en FP32, les cartes grand public disposent d’un débit d’exécution inférieur à celui de certaines cartes professionnelles reposant sur des puces proches.
La communauté open source a trouvé des moyens de modifier des sélecteurs internes qui contrôlent ce débit. Un projet nommé gpu-unlock, publié par Zagitta, intervient via un module du noyau Linux avant la prise en charge de la carte par le pilote NVIDIA habituel. D’autres adaptations concernent les RTX 40 et certaines RTX 20.
Ces outils ne constituent pas une mise à jour officielle de NVIDIA. Leur fonctionnement dépend de l’architecture de la puce, du matériel précis, des versions logicielles et des limites de puissance.
RTX 3090 Ti : un gain important sur un calcul BF16
Le développeur de gpu-unlock publie notamment des mesures de multiplication de matrices sur GeForce RTX 3090 Ti, avec une limite de puissance de 450 W. Les chiffres sont exprimés en TFLOPS, une mesure du nombre d’opérations de calcul par seconde.
| Calcul sur RTX 3090 Ti | Avant | Après déverrouillage |
|---|---|---|
| FP16 avec accumulation FP32 | 87,46 TFLOPS | 118,39 TFLOPS |
| BF16 avec accumulation FP32 | 87,50 TFLOPS | 157,41 TFLOPS |
| TF32 | 42,58 TFLOPS | 82,61 TFLOPS |
Les gains dépendent fortement de l’opération : environ +35 % en FP16, près de +80 % en BF16 et presque +94 % en TF32 dans cet essai. Il s’agit de calculs matriciels synthétiques réalisés sur une carte donnée, pas d’un doublement généralisé de toutes les performances.
RTX 4090 et RTX 2080 Ti : que sait-on ?
Sur Ada Lovelace, le projet communautaire gpu-unlock-ada annonce une progression du débit théorique de certaines instructions FP16 sur RTX 4090, d’environ 165,6 à 331,6 TFLOPS. Mais TechSpot rapporte que des charges matricielles testées sur du matériel réel affichent plutôt des gains compris entre 12 % et 34 % selon les conditions.
Pour la génération Turing, un autre outil, turing-unlock, cible notamment la RTX 2080 Ti. Des essais rapportent des accélérations de l’ordre de 36 % à 64 % sur certaines multiplications matricielles FP16. Ces valeurs ne sont pas directement comparables à celles de la RTX 4090 ou de la 3090 Ti.
Les outils et cartes compatibles ne sont pas interchangeables. La famille RTX 50 n’est pas couverte par une méthode équivalente confirmée dans ces annonces.
Quel intérêt pour les utilisateurs d’IA locale ?
Les opérations ciblées sont présentes dans certains calculs d’inférence, d’entraînement et de traitement d’images. Les gains pourraient être intéressants pour le fine-tuning de modèles, la génération d’images par diffusion ou la phase d’analyse initiale d’un long prompt par un modèle de langage.
À l’inverse, la production successive de mots par un chatbot est souvent davantage contrainte par la bande passante mémoire que par la capacité brute des Tensor Cores. TechSpot évoque des améliorations d’environ 14 % à 36 % pour certains traitements de prompts, mais presque aucun changement pour la génération de tokens elle-même.
Un utilisateur d’Ollama ou d’un autre outil d’IA locale ne doit donc pas s’attendre à transformer instantanément sa carte graphique en GPU deux fois plus puissant.
Pourquoi le déverrouillage comporte des risques
Ces méthodes interviennent à un niveau bas du système. Les mainteneurs évoquent des risques de plantage, d’échec au démarrage, de corruption de données ou de sollicitation excessive du matériel. Certaines expériences utilisent des cartes modifiées, qui ne représentent pas toutes les configurations du marché.
Il est également possible que des mises à jour de pilotes, de firmware ou de système rendent les outils incompatibles. TechPi ne recommande pas d’appliquer ces modifications sur un PC de travail ou sur une carte graphique coûteuse sans capacité de récupération et compréhension technique approfondie.
Les joueurs vont-ils gagner des FPS ?
Non, ce n’est pas l’objectif de ces outils. Les jeux utilisent un ensemble très différent de calculs : rasterisation, shaders, géométrie, ray tracing, accès mémoire et autres opérations graphiques. Lever une limite de calcul BF16 avec accumulation FP32 ne double pas les images par seconde.
Le véritable intérêt de cette actualité se situe donc du côté des passionnés d’IA locale et de calcul GPU. Elle illustre aussi les différences de segmentation entre cartes grand public et professionnelles, sans remettre en cause les limites physiques ou énergétiques du matériel.
Pour aller plus loin, lisez nos guides pour exécuter une IA en local avec Ollama et pour choisir le matériel de génération d’images en local.
