Una nueva herramienta de código abierto llamada NV UEFI Unlocker está llamando la atención de todo el mundo, prometiendo liberar el rendimiento oculto de los Tensor Cores de las tarjetas gráficas Nvidia GeForce RTX 20, 30 y 40, alcanzando hasta un 75% más de potencia de cómputo enfocado en la inteligencia artificial dentro de Windows.
NV UEFI Unlocker: +75% más de rendimiento en IA en las RTX 20, 30 y 40
El proyecto, desarrollado por el usuario de GitHub physicsdolphin, utiliza un enfoque basado en el arranque UEFI. Esto significa que modifica el comportamiento de la GPU justo antes de que el controlador de Nvidia se inicialice en el sistema operativo. A diferencia de las modificaciones tradicionales de firmware, esta solución no requiere flashear la VBIOS de forma permanente ni parchear los controladores. La modificación es completamente temporal y desaparece al apagar la PC por completo, lo que reduce los riesgos para el usuario.
Esta herramienta expande lo que había hecho un proyecto anterior llamado GPU Unlock (creado por Zagitta), el cual ya había demostrado mejoras cercanas al 100% en rendimiento de Tensor Cores y hasta un 60% en generación de imágenes por IA, pero estaba restringido principalmente a entornos Linux. Con esta implementación en UEFI, las ventajas llegan ahora a Windows.
Te recomendamos nuestra guía sobre las mejores tarjetas gráficas del mercado
En las primeras pruebas, una RTX 2070 pasó de 36 TFLOPS de rendimiento a entre 60 y 63 TFLOPS en operaciones de multiplicación de matrices FP32, registrando un salto de entre el 67% y el 75%. Por su parte, una RTX 4060 de portátiles mostró un incremento del 65% en rendimiento FP16, subiendo de 29.89 a 49.33 TFLOPS.
Sin embargo, hay que aclarar algunos puntos. El proceso requiere preparar un USB ejecutable, desactivar el arranque seguro (o configurar sus claves) y, en el caso de la serie RTX 20, activar el modo de firmware GSP. Además, este incremento teórico en capacidad de cómputo en IA no se traduce en mejoras para juegos o rendimiento en DLSS, ya que depende estrictamente del ancho de banda de memoria y la carga de trabajo ejecutada. Aunque sigue siendo experimental, es una excelente alternativa para exprimir al máximo el hardware existente en tareas de IA local sin costo un adicional. Os mantendremos informados.
