GeForce RTX : cet outil sur clé USB débloque certains calculs IA sous Windows

Une clé USB pour libérer une partie de la puissance IA d’une GeForce : c’est la proposition de nv-uefi-unlocker, un projet open source publié par physicsdolphin. Cet outil intervient avant le chargement du système et du pilote Nvidia pour lever certaines limitations du calcul Tensor sur les générations RTX 20, RTX 30 et RTX 40.

Le sujet est spectaculaire, mais mérite une explication précise. Votre carte graphique ne fonctionne pas globalement à moitié de sa vitesse. La limitation visée concerne des opérations mathématiques particulières, utilisées notamment en intelligence artificielle. Il ne faut donc attendre ni deux fois plus de FPS dans les jeux ni une accélération automatique de tous les modèles d’IA.

Une limite sur certains calculs, pas sur toute la carte

Les Tensor Cores sont des unités spécialisées dans les opérations matricielles. Ces calculs sont au cœur de nombreux traitements d’IA. Selon les travaux communautaires sur lesquels repose le projet, certaines GeForce exécutent à débit réduit des opérations en précision mixte avec accumulation en FP32.

Concrètement, des nombres dans un format moins précis servent aux multiplications, tandis que les résultats sont accumulés dans un format plus précis. Le déblocage vise le débit de ces chemins de calcul, pas une augmentation générale de la fréquence du GPU, de la mémoire vidéo ou de la bande passante.

Le logiciel prolonge plusieurs projets communautaires, dont gpu-unlock. Son intérêt est de réunir des adaptations pour plusieurs générations dans une application UEFI, écrite en Rust, qui peut intervenir avant Windows ou Linux.

Quelles cartes sont concernées ?

La matrice du développeur distingue plusieurs niveaux de preuve : test complet avec cet outil, validation communautaire d’une technique apparentée, ou chemin logiciel encore à tester. Une famille acceptée par le programme ne signifie donc pas que chaque référence a été validée individuellement.

Des exceptions existent aussi selon la plateforme. Le projet signale notamment un cas de RTX 3070 où l’étape UEFI fonctionne, mais où le déblocage n’est pas conservé dans Windows. C’est précisément pourquoi une simple liste de générations ne suffit pas pour décider de tenter l’expérience.

Des gains IA prometteurs, à mesurer tâche par tâche

La documentation actuelle annonce des résultats allant jusqu’à environ 2,6 fois le débit sur certains tests Tensor et des gains de 14 à 75 % en génération d’images ou de vidéos. Ce sont des résultats publiés par le projet et ses contributeurs, avec des charges et des cartes différentes, pas une moyenne garantie pour tous les utilisateurs.

Un benchmark de multiplication matricielle mesure une opération ciblée. Une application complète doit également charger ses données, gérer sa mémoire et exécuter d’autres calculs. Si ces étapes limitent déjà son fonctionnement, accélérer une partie des opérations ne produit pas le même gain sur le temps total.

La capacité mémoire ne change pas non plus. Un modèle qui ne tient pas dans les 8, 12 ou 16 Go de votre GPU ne rentrera pas soudainement grâce au déblocage. Les limites électriques et thermiques restent également déterminantes, particulièrement sur un portable.

Une clé USB au démarrage, pas un utilitaire Windows classique

Le principe consiste à préparer une clé USB amorçable en UEFI, lancer l’outil avant le système, puis laisser celui-ci passer la main au démarrage habituel. Il ne nécessite pas de flasher le VBIOS et le déblocage est volatil : une coupure d’alimentation le réinitialise. La procédure doit donc être rejouée après un démarrage à froid.

Cette approche n’en fait pas une manipulation anodine. La documentation demande de désactiver Secure Boot ou de faire approuver un certificat pour l’application EFI. Elle mentionne également des écrans noirs temporaires et des cas d’échec nécessitant une extinction complète. Ce sont des contraintes réelles, surtout sur un PC principal qui doit rester disponible.

Je vois ce projet comme une piste intéressante pour les utilisateurs qui expérimentent déjà l’IA locale et savent comparer une charge avant et après modification. Pour le grand public, la prudence reste de mise : le code ouvert permet d’examiner le mécanisme, mais ne garantit pas la stabilité de toutes les configurations.

La découverte met surtout en lumière la différence entre les capacités physiques d’un GPU et les fonctions effectivement accessibles sur une gamme donnée. Le potentiel est réel sur certains calculs ; la promesse d’une GeForce universellement deux fois plus rapide serait, elle, trompeuse.