Linux向け非公式ツール「gpu-unlock」の公開を受け、GeForce RTX 30シリーズの一部でAI処理が高速化したとの報告が相次いでいる。RTX 3090 Tiを使ったComfyUIの測定では、画像生成モデル「MOSS-Image SFT」のBF16処理が71.98秒から45.40秒に、映像と音声を生成する「MiniMax H3」のBF16処理が253.27秒から158.05秒に短縮された。いずれも処理量は約60%増加したが、生成完了までの待ち時間で見ると約36.9〜37.6%の短縮となる。一方、開発元が説明する「2倍」は特定の演算命令の発行速度を指しており、設定変更後もBF16性能が向上しなかったGPUも報告されている。実際にどの程度高速化するかは、演算形式や処理内容、測定条件によって異なる。
「2倍」が意味するのは、特定の演算命令の発行速度
開発元のGitHubリポジトリによると、gpu-unlock 1.0.0はGA102、GA103、GA104、GA106の各GPUチップを対象としている。GPU内で行列演算を担当するTensor Coreの動作設定を変更し、FP16またはBF16の数値を入力として、乗算結果をFP32で累積加算する命令の発行速度を2倍にするという。ここでいう「2倍」は、演算命令を実行部へ送り出す速度を指しており、GPU全体の演算性能やアプリケーションの処理速度が一律に2倍になるわけではない。
また、演算に入力する数値の形式と、乗算結果を累積する際の精度は区別する必要がある。NVIDIAの「Ampere Tuning Guide v11.6.1」の1.4.1.5節でも両者を分けて説明しており、BF16演算では累積加算にFP32のみを使用すると明記している。ただし、この文書はAmpereアーキテクチャの仕様を説明したものであり、NVIDIAがgpu-unlockの動作を認定したことを意味するものではない。
gpu-unlockの現行実装はLinuxカーネルモジュールとして提供される。GPUの動作速度を選択するレジスターを書き換えた後、PCIeのFunction Level Reset（FLR）によってデバイスをリセットする仕組みだ。この一連の処理は、改変していないNVIDIAドライバーがGPUを管理下に置く前に実行する必要がある。そのため、すでにドライバーが使用しているGPUに対して、後から手動でモジュールを読み込んでも効果は得られない。
行列演算の高速化率はFP16とBF16で異なる
2026年10月18日、開発元のGitHubに投稿されたIssue #1では、applepinesがRTX 3090 Tiを使ったベンチマーク結果を報告している。測定条件は電力上限450W、8192×8192×8192の密行列積、FP32での累積加算で、各条件について5回測定した中央値を比較している。結果は演算形式によって大きく異なり、BF16とTF32で特に高い改善率が記録された。
| 演算形式 | 解除前 | 解除後 | 性能向上率 |
|---|---|---|---|
| FP16 | 87.46 TFLOPS | 118.39 TFLOPS | +35.4% |
| BF16 | 87.50 TFLOPS | 157.41 TFLOPS | +79.9% |
| TF32 | 42.58 TFLOPS | 82.61 TFLOPS | +94.0% |
性能向上率は「（解除後÷解除前−1）×100」で算出し、小数第1位に丸めたものだ。同じGPUを使っても、FP16では35.4%、BF16では79.9%、TF32では94.0%と改善幅に大きな差がある。なお、TF32はこのベンチマークで測定された演算形式の一つであり、開発元が説明するFP16/BF16命令の発行速度とは区別する必要がある。
さらに、この初期測定は現在公開されているカーネルモジュールとは実行環境が異なる。当時の測定にはUbuntu kernel 7.0.0-38-generic、改変したNVIDIAドライバー610.43.02、独自のinitramfs hookが使用されていた。投稿者自身も、ほかのグラフィックスボードやパッケージへの統合は未検証としている。したがって、この表の結果を、現行のgpu-unlockと無改変のNVIDIAドライバーを組み合わせた場合の性能として扱うことはできない。
ComfyUIでは画像・動画生成の待ち時間が約37%短縮
行列演算のベンチマークだけでなく、AIモデルを使った生成処理全体の高速化を検証した報告もある。Redditユーザーのunder-_-nullは、RTX 3090 Tiを使ったComfyUIの比較結果を公開し、モデルによって高速化の程度が大きく異なることを明らかにした。測定環境はEVGA FTW3 RTX 3090 Tiを搭載したDell Precision 5820で、GPUは定格クロックのまま使用し、解除前後とも電力上限を450Wに設定している。OSはUbuntu、NVIDIAドライバーは615.71.09、ComfyUIは0.42.1を使用し、バッチサイズは1、特記のない項目にはPyTorch SDPAを採用したという。
測定ではウォームアップを除外し、静止画は各条件で15枚、動画は3本を生成した。画像生成では最初の3枚、動画では最初の1本をウォームアップとして扱い、残りの測定値から中央値を求めている。処理時間にはテキストのエンコード、サンプリング、デコード、保存までを含め、CPUへのオフロードやデータ転送が発生する場合はその時間も含めた。一方、最初にモデルを読み込む時間は測定対象から除外している。
特に大きな改善が見られたMOSS-Image SFTとMiniMax H3のBF16処理を比較すると、次のようになる。
| モデル・演算形式 | 解除前 | 解除後 | 処理量の増加率 | 時間短縮率 |
|---|---|---|---|---|
| MOSS-Image SFT BF16 | 71.98秒 | 45.40秒 | +58.6% | 約36.9% |
| MiniMax H3 BF16（映像＋音声） | 253.27秒 | 158.05秒 | +60.2% | 約37.6% |
ここで注意したいのは、処理量が約60%増えることと、処理時間が60%短くなることは同じではないという点だ。処理量の増加率は「（解除前の所要時間÷解除後の所要時間−1）×100」、時間短縮率は「（1−解除後の所要時間÷解除前の所要時間）×100」で求められる。つまり、処理量の増加率では解除後の時間を、時間短縮率では解除前の時間を基準とする。今回の結果では、MOSS BF16の処理量が58.6%増加した一方、待ち時間は約36.9%短縮された。H3 BF16も同様に、処理量の60.2%増加に対し、待ち時間の短縮率は約37.6%となる。
なお、表の数値は単一の利用者が同じGPUで、各モデルの設定を変えずに解除前後を比較した結果だ。MOSSとH3は異なるモデルであり、両者の絶対的な速度や生成品質を比較するためのデータではない。
ほかのモデルを見ると、高速化の程度にはさらに大きな差がある。MOSS INT8は27.31秒から27.23秒とほとんど変わらず、処理量の増加率も0.3%にとどまった。LTX-2.5 BF16は70.81秒から60.63秒となり、処理量は16.8%増加している。一方、FLUX.1 devのFP8チェックポイントでは54.6%の改善が記録されたが、この処理では内部的にBF16演算が使用されていた。つまり、モデルファイルの保存形式がFP8やINT8であっても、実際の計算に使われる演算形式や高速化の程度まで決まるわけではない。
こうした結果から、BF16演算を多用する処理では大きな改善が期待できる一方、すべてのAIモデルが同じように高速化するわけではないことが分かる。さらに、GPUの動作設定を変更できても性能が向上しなかった実機報告もあり、対応チップを搭載していることだけでは効果を保証できない。
設定変更に成功してもBF16性能が向上しなかった事例
2026年10月24日に投稿されたIssue #28では、GA102-250を搭載するRTX 3080 Ti 20GBで、BF16性能の改善を確認できなかったと報告されている。このGPUはOEM向けまたはエンジニアリング用途の製品であり、一般に販売された12GB版RTX 3080 TiのGA102-225とは異なる。投稿者は、gpu-unlockの実行後も速度選択レジスターの値「SS0=0x88888888」が維持されていることを確認したものの、期待した性能向上は得られなかったという。
GPUクロックを1200MHzに固定し、消費電力を約200Wに抑えた測定では、FP16が203Wで50.00 TFLOPS、BF16が199Wで50.22 TFLOPSとなった。BF16とFP16の性能比は1.004で、ほぼ同じ演算性能にとどまっている。ただし、これは解除前後の性能を直接比較した数値ではなく、設定変更後もBF16の演算性能が期待された水準に達しなかったことを示す測定だ。投稿者は、GPU内部のヒューズ設定によってBF16の演算速度が制限されている可能性を指摘しているが、原因は確定していない。
性能改善を左右するのはGPUの仕様だけではない。アプリケーションがどの処理に時間を費やしているかも重要になる。開発元がまとめた利用者報告では、LLMへの入力をまとめて処理するプリフィル（prefill）で14〜36%の処理量増加が見られた一方、メモリ帯域がボトルネックになりやすいトークン生成やINT8処理では、ほとんど変化がなかったという。RTX 3090の密行列積でも25〜67%と幅があり、最も低い25%は電力上限225Wでの測定だった。ただし、各報告ではベンチマーク条件が異なるため、これらの数値からGPU間の性能順位を判断することはできない。
生成結果の一致についても、一定の検証が行われている。ComfyUIの測定者によると、解除前後で比較した静止画150組は、デコード後のRGB画素がすべて一致し、音声6組でも同一の結果が得られた。一方、H3の映像フレームは完全には一致しなかったが、解除後の同じ起動セッション内で生成を繰り返しても差が生じたため、gpu-unlockが原因とは断定できない。また、温度測定では開始時のGPU温度や室温が統制されておらず、VRAMの接合部温度やGPUのホットスポット温度も記録されていない。
したがって、今回の結果だけで、生成品質全般への影響やGPUの温度低下、長期的な動作安定性まで保証されたとはいえない。GA103を搭載したGPUについては実機での報告がなく、RTX 3070 Tiも現行のLinuxモジュールでは未検証となっている。また、ゲームやDLSS、新世代GPUの高速化、消費電力の削減についても、今回の測定結果から効果を判断することはできない。
今回の報告で明らかになったのは、特定のAI処理では既存のGeForce RTX 30シリーズでも大幅な高速化が可能である一方、その効果はGPUの仕様や演算形式、処理内容によって大きく変わるという点だ。今後は同じGPU、電力条件、処理内容をそろえ、設定変更前後の実行時間を比較する検証が重要になる。BF16とINT8、LLMの入力処理とトークン生成などを区別した測定が蓄積されれば、gpu-unlockが実際にどの用途で有効なのか、より明確に判断できるようになるだろう。
