NVIDIA RTX 30 ve 40 Serileri İçin Yeni Açık Kaynak Yöntemle Tensor Performansı Neredeyse İkiye Katlandı
Açık kaynaklı GPU Unlock ve GPU Unlock Ada projeleri, RTX 30 ve RTX 40 serilerindeki Tensor çekirdeklerinin sınırlamalarını kaldırarak, RTX 4090’da teorik TFLOPS değerini iki katına, diğer modellerde ise yüzde 90‑100 arasında artış sağladı.
GeForce RTX 30 ve RTX 40 serileri, yapay zeka ve derin öğrenme uygulamalarında uzun süredir Tensor çekirdeklerinin hızını sınırlayan bir kısıtlama mekanizmasıyla çalışıyordu. Ancak bu sınırlamayı aşan yeni bir açık kaynak yazılımı, kartların BIOS ya da sürücü değişikliği gerektirmeden devreye alınabiliyor. Testler, RTX 4090’da Tensor işlem performansının 165,6 TFLOPS’tan 331,6 TFLOPS’a, yani yaklaşık iki katına yükseldiğini gösterdi. Benzer şekilde BF16 işlemlerinde de 165,5 TFLOPS’tan 330,6 TFLOPS’a çıkış sağlandı.
Bu sonuçlar, 24 Ekim 2026’da yapılan bağımsız testlerde de doğrulandı. Aynı RTX 4090, NVIDIA 615.78.08 sürücüsü ve 450 W güç sınırı altında çalıştırıldığında FP16 hızı 160,4 TFLOPS’tan 320,4 TFLOPS’a, BF16 hızı ise 159,7 TFLOPS’tan 320,2 TFLOPS’a yükseldi. Sayısal doğruluk aynı kalırken, performans artışı neredeyse iki kat oldu.
Teorik kapasitedeki bu iki katlık artış, gerçek dünya uygulamalarına aynı oranda yansımıyor. RTX 4090’da cuBLAS ile yapılan matris çarpım testlerinde, FP16 performansı matris boyutuna bağlı olarak %12‑%34 arasında artış gösterdi. BF16 testlerinde ise %16‑%20 arasında bir kazanç elde edildi, fakat 4096 x 4096 boyutlu matrislerde anlamlı bir fark görülmedi. Bu durum, sınırlı bir hız artışının hâlâ algoritma ve bellek erişim verimliliğiyle sınırlı olduğunu ortaya koyuyor.
RTX 4070 Ti SUPER ve RTX 4060 Ti gibi diğer modellerde de benzer sonuçlar elde edildi. 240 W güç sınırında çalışan RTX 4070 Ti SUPER, FP16 Tensor hızı 95 TFLOPS’tan 189,9 TFLOPS’a, BF16 hızı ise 189,7 TFLOPS’a yükseldi. TF32 işlemlerinde ise performans %99 artarak 47,49 TFLOPS’tan 94,51 TFLOPS’a çıktı. FP8 testlerinde ise kullanılan hesaplama yöntemi farklılık gösterdiği için sadece %0,3 artış gözlemlendi; ancak CUTLASS 4.8.1’in hızlı biriktirme yöntemiyle yapılan ikinci ölçümde 158,54 TFLOPS’tan 309,08 TFLOPS’a, yani yaklaşık 1,95 katlık bir artış sağlandı.
Bu yeni yöntem, Ampere mimarili RTX 30 serisi için geliştirilen ilk sürümün ardından, Ada Lovelace mimarisine sahip RTX 40 serisine de uyarlanmasıyla dikkat çekiyor. Ekran kartlarının donanım özelliklerini değiştirmeden, sadece yazılım seviyesinde yapılan bu müdahale, Tensor çekirdeklerinin potansiyelini ortaya çıkarmak için bir kapıyı aralıyor. Ancak hâlâ gerçek uygulamalarda elde edilen kazançların sınırlı olması, geliştiricilerin algoritma optimizasyonu ve bellek yönetimi konularına odaklanması gerektiğini gösteriyor. Bu gelişme, özellikle yapay zeka araştırmacıları ve yüksek performanslı hesaplama (HPC) topluluğu için yeni bir performans sınırı sunarken, NVIDIA’nın resmi sürücü politikalarıyla uyumluluk ve garanti konularında dikkatli olunması gerektiğini hatırlatıyor.
