Mod de Nvidia DLSS 5 transfere a renderização neural para uma segunda GPU, mas os 127% precisam de contexto

A cena de mods de DLSS 5 da Nvidia produziu um experimento marcante: transferir a renderização neural para uma segunda GPU e recuperar até 127% de desempenho. O desenvolvedor Marcelo Guibout testou essa ideia com duas placas GeForce RTX 5060 Ti. Uma placa renderizava o jogo, enquanto a outra processava a imagem finalizada.

Essa divisão altera a equação de desempenho em torno do DLSS 5. A Nvidia projetou seu novo renderizador neural para melhorar iluminação, materiais, pele, cabelo e outros elementos visuais complexos. No entanto, o modelo consome um tempo considerável de GPU quando disputa recursos com a renderização convencional na mesma placa.

O complemento MGPU Bridge de Guibout transfere essa disputa para fora da GPU de renderização. A abordagem lembra as configurações com PhysX dedicado usadas por alguns entusiastas de PC anos atrás. Ela não recria o SLI, pois as duas placas não dividem o trabalho de renderização convencional.

Os números iniciais são animadores, mas não se tratam de benchmarks convencionais de jogos. As demonstrações abrangem hardware limitado, sessões curtas e uma implementação injetada sem dados nativos do motor gráfico. A rota com segunda GPU também adiciona monitores extras, latência, limites de compatibilidade e outra placa gráfica à equação.

O mod de Nvidia DLSS 5 separa duas tarefas custosas

O MGPU Bridge trata a renderização neural como uma etapa final destacável, em vez de mais uma tarefa disputando recursos dentro do pipeline principal de renderização.

O experimento surgiu em 7 de setembro, uma semana após a Nvidia publicar os detalhes técnicos do DLSS 5. Guibout mostrou o sistema processando imagens de The Blood of Dawnwalker e gameplay de Cyberpunk 2077.

A demonstração com duas GPUs usou duas placas RTX 5060 Ti de 16GB. Ambas operavam por conexões PCIe 5.0 x8 na principal máquina de teste. Esse sistema também tinha um processador Ryzen 7 7800X3D e 32GB de memória DDR5.

MGPU Bridge é um complemento para ReShade, ou seja, ele se conecta à saída gráfica de um jogo por meio da estrutura ReShade. Ele identifica o adaptador que renderiza o jogo e cria um dispositivo Direct3D 12 separado na segunda GPU.

A placa de renderização produz primeiro um quadro finalizado. Em seguida, o MGPU Bridge copia esse quadro por meio de uma alocação de memória compartilhada entre adaptadores. A segunda GPU aplica o DLSS Neural Rendering e exibe o resultado por sua própria saída.

Esse arranjo evita enviar a imagem processada de volta para a primeira placa. Portanto, cada GPU precisa de um monitor conectado no projeto atual. O resultado neural aparece no monitor conectado à segunda GPU.

Esse ponto diferencia o experimento da renderização tradicional com múltiplas GPUs. O SLI dividia o trabalho de renderização entre placas antes que um quadro fosse concluído. O MGPU Bridge mantém a carga de renderização do jogo em uma placa e transfere apenas a etapa neural final.

A documentação do projeto descreve o software como código de pesquisa, e não como um produto de consumo. Ela também enfatiza que o processo original de renderização do jogo permanece intacto. A ponte lê o quadro concluído e realiza seu trabalho em outro lugar.

Esse design é possível porque a etapa neural fica próxima ao fim do pipeline gráfico. Ela recebe uma imagem e devolve uma imagem alterada. Uma operação terminal pode ser posicionada em outro processador mais facilmente do que tarefas incorporadas em todo o motor gráfico.

O conceito lembra placas PhysX dedicadas, que processavam física enquanto uma GPU separada cuidava dos gráficos. Ainda assim, a comparação descreve apenas a divisão de trabalho. O MGPU Bridge não usa a antiga arquitetura PhysX nem revive o modelo SLI abandonado pela Nvidia.

Guibout também testou uma máquina separada com Ryzen 5 5600 e memória DDR4. Esse resultado sugere que a ponte não exige um processador de ponta. No entanto, ambos os sistemas medidos ainda usavam duas placas RTX 5060 Ti em suas principais comparações.

O experimento cria uma tensão importante para a Nvidia. O DLSS surgiu como uma forma de recuperar desempenho renderizando menos pixels. O DLSS 5 adiciona uma etapa neural custosa que pode consumir grande parte da capacidade economizada pelo upscaling.

Transferir essa etapa para outro dispositivo torna o benefício de desempenho original visível novamente. Também expõe o quanto a renderização generativa continua exigente dentro de um orçamento de quadros em tempo real.

Por que o aumento reportado de 127% exige uma leitura cuidadosa

A maior porcentagem descreve uma melhora sobre um resultado de renderização neural fortemente limitado, não um ganho universal em relação ao desempenho normal do DLSS.

Os números publicados vieram de The Blood of Dawnwalker em 1920 por 1080. Guibout comparou três configurações nos modos DLAA, Quality, Performance e Ultra Performance.

A super-resolução DLSS permaneceu ativa durante toda a comparação. A primeira configuração desativava apenas a etapa de renderização neural do DLSS 5. Ela representava o teto aproximado de desempenho para cada modo de renderização selecionado.

No modo DLAA, o teste rodou entre 67 e 70 quadros por segundo sem renderização neural. Executar a etapa neural na placa de renderização reduziu o desempenho para 44 FPS. Transferi-la restaurou a taxa reportada para entre 67 e 70 FPS.

O modo Quality produziu entre 98 e 99 FPS sem a etapa neural. Esse resultado caiu para entre 54 e 55 FPS quando uma placa lidava com ambas as cargas de trabalho. A configuração com segunda GPU alcançou 91 FPS.

O modo Performance mostrou uma diferença maior. O sistema produziu entre 127 e 131 FPS sem renderização neural, 59 FPS com o trabalho neural na placa de renderização e entre 106 e 107 FPS após a transferência.

O modo Ultra Performance atingiu 172 FPS com a etapa neural desativada. Ele entregou entre 69 e 71 FPS quando a placa de renderização também processava a renderização neural. A configuração com segunda placa alcançou 157 FPS.

O número de destaque de até 127% vem da comparação entre aproximadamente 69 FPS e 157 FPS. Trata-se de uma recuperação substancial. No entanto, a configuração com processamento transferido não rodou 127% mais rápido do que o teto sem renderização neural.

Em vez disso, ela recuperou a maior parte do desempenho perdido quando a renderização neural ocupava a GPU principal. Em Ultra Performance, os 157 FPS permaneceram abaixo do teto de 172 FPS. Os modos Quality e Performance apresentaram lacunas restantes semelhantes.

Guibout argumenta que a descoberta mais importante diz respeito à escalabilidade entre os modos. Reduzir a resolução interna de renderização normalmente diminui o trabalho de renderização convencional. No entanto, a etapa neural continua operando na resolução final de saída.

Consequentemente, seu custo diminui muito menos do que o custo de renderização. Em uma única placa, o processamento neural passa a ocupar uma parcela crescente do quadro à medida que a renderização convencional fica mais barata.

Esse comportamento explica por que a configuração com uma placa capturou apenas 39% do aumento de desempenho disponível entre DLAA e Ultra Performance. A rota com processamento transferido teria retido 86% desse aumento disponível.

Esses resultados revelam um gargalo, e não desempenho gratuito. A segunda GPU absorve uma carga de trabalho que já existia. A placa principal pode então dedicar uma parcela maior de seu orçamento por quadro ao jogo.

As temperaturas reportadas sustentam essa interpretação. Transferir a etapa neural reduziu a temperatura da placa de renderização em 21 graus Celsius em uma máquina. Outra configuração mostrou uma diferença de cerca de 10 graus.

Essas são medições dentro dos próprios sistemas, e não previsões térmicas universais. Uma operação mais fria também não significa que toda a máquina consuma menos energia. A carga de trabalho agora é executada em dois processadores e dois sistemas de resfriamento.

Guibout descreve explicitamente os vídeos como demonstrações técnicas, não benchmarks. Cyberpunk 2077 forneceu observações sobre compatibilidade, estabilidade e consumo de energia. Os números publicados de taxa de quadros vieram de The Blood of Dawnwalker.

O projeto também não avaliou a qualidade visual. Portanto, os números não podem responder se a saída neural injetada preservou detalhes, estabilidade de movimento, direção artística ou cores em uma gama mais ampla de gameplay.

O resultado ainda importa porque seu mecanismo é coerente. Uma GPU saturada precisa agendar renderização e inferência neural nos mesmos recursos finitos. Transferir uma carga de trabalho para outro lugar dá ao processador original espaço para se recuperar.

O que permanece incerto é como essa recuperação escala em placas mais rápidas, resoluções maiores, jogos diferentes e integrações nativas. Essas variáveis podem alterar tanto o custo neural quanto o custo de renderização subjacente.

O pós-processamento neural é o verdadeiro conflito de desempenho

O experimento importa porque o DLSS 5 transforma a IA de assistente de reconstrução em uma grande etapa de renderização, com sua própria demanda sustentada de computação.

Versões anteriores do DLSS reconstruíam principalmente imagens de maior resolução a partir de entradas de menor resolução. Lançamentos posteriores adicionaram reconstrução de ray tracing e geração de quadros intermediários. Esses sistemas usavam aprendizado de máquina para melhorar a saída enquanto reduziam partes do trabalho de renderização convencional.

O DLSS 5 muda o papel desse modelo. A Nvidia o descreve como um renderizador generativo que contribui para a aparência final exibida. Ele aprende padrões visuais a partir de dados do mundo real e os aplica aos gráficos convencionais.

De acordo com a visão técnica da Nvidia, o modelo utiliza um processo de difusão de espaço de pixels em uma etapa. Modelos de difusão geram ou transformam imagens aprendendo como estruturas visuais se relacionam, embora a Nvidia tenha adaptado esse processo para uso em tempo real.

O sistema nativo recebe o quadro renderizado atual, vetores de movimento, estado temporal e controles artísticos. Vetores de movimento descrevem como os elementos da imagem se moveram entre os quadros. O estado temporal ajuda o modelo a manter sua saída consistente ao longo do tempo.

A Nvidia afirma que o modelo continua causal e determinístico. Nesse contexto, causal significa que ele não precisa de quadros futuros. Determinístico significa que entradas idênticas devem produzir o mesmo resultado, o que importa para visuais previsíveis nos jogos.

A empresa também afirma que o DLSS 5 pode rodar em resoluções de até 4K em hardware da série RTX 50. Seu modelo visa efeitos que a renderização convencional em tempo real tem dificuldade de reproduzir de forma econômica, incluindo dispersão na pele e luz atravessando a folhagem.

Essa carga de trabalho difere do upscaling comum. Gerar alterações detalhadas de materiais e iluminação na resolução de saída pode continuar caro, mesmo quando o jogo renderiza sua imagem inicial com menos pixels.

O MGPU Bridge explora essa separação. A renderização convencional fica mais barata à medida que os jogadores selecionam modos DLSS mais agressivos. A etapa de pós-processamento continua tratando a imagem final, mantendo sua carga de trabalho comparativamente estável.

O resultado produz uma inversão incomum. Um recurso associado ao desempenho pode consumir tempo de GPU suficiente para enfraquecer os ganhos fornecidos por seu próprio componente de super-resolução.

O objetivo da Nvidia não é simplesmente obter taxas de quadros mais altas. Seu anúncio do DLSS 5 posiciona a renderização neural como um recurso de qualidade visual. A empresa quer que o modelo aprimore iluminação e materiais além do que os desenvolvedores conseguem simular dentro de um quadro normal.

Essa distinção importa ao interpretar resultados com uma única GPU. Uma taxa de quadros menor não significa automaticamente que o DLSS 5 falhou. Os jogadores estariam trocando desempenho por aprimoramentos neurais, assim como já trocam desempenho por ray tracing.

A questão é se essa troca continua atraente. Um recurso exigente precisa oferecer melhorias visíveis que justifiquem taxas de quadros nativas mais baixas, maior latência ou uma dependência mais intensa de quadros gerados.

Os primeiros testes oficiais reforçam essa preocupação. A primeira implementação nativa chegou em NBA 2K27, onde os testes de RTX 50 identificaram um impacto substancial no desempenho. Ainda assim, quase todas as placas Blackwell testadas se aproximaram de um resultado jogável em 1080p.

A integração nativa deveria ter vantagens sobre a ponte de Guibout. Um motor de jogo pode fornecer vetores de movimento precisos, informações de profundidade e máscaras. As máscaras permitem que os desenvolvedores apliquem o processamento neural apenas onde ele contribui com detalhes visuais úteis.

MGPU Bridge não tem acesso a essas informações. Ela vê a imagem colorida final depois que o motor conclui seu trabalho. A segunda GPU deriva o movimento por fluxo óptico, um método que estima o movimento comparando o conteúdo da imagem.

A ponte não fornece ao modelo o buffer de profundidade do motor. Ela também não pode acessar máscaras definidas pelos desenvolvedores nem os controles artísticos completos disponíveis em uma integração oficial.

Essa limitação torna o experimento simultaneamente menos representativo e mais revelador. Ele não pode mostrar como um jogo adequadamente integrado terá desempenho. Ainda assim, demonstra que a carga de trabalho neural final pode operar independentemente do dispositivo de renderização.

Para os projetistas de GPUs, isso levanta uma questão arquitetural mais ampla. O hardware gamer do futuro deveria dedicar mais recursos isolados ao pós-processamento neural? A alternativa é permitir que a inferência neural e a renderização continuem competindo dentro de um único processador grande.

Uma segunda GPU de varejo é uma resposta impraticável para a maioria dos jogadores. Um bloco neural dedicado, melhor agendamento assíncrono ou uma coordenação mais estreita entre processadores integrados resolveriam o mesmo conflito de forma mais eficiente.

A Solução com uma Segunda GPU Adiciona Latência, Custo e Limites de Compatibilidade

MGPU Bridge restaura capacidade de renderização ao aceitar complicações em nível de sistema que impedem que ela se torne hoje uma solução DLSS 5 popular.

O limite mais imediato é o hardware. As medições documentadas usaram duas placas RTX 5060 Ti 16GB. A Nvidia inicialmente posicionou o suporte oficial ao DLSS 5 em torno de sua série RTX 50, embora entusiastas tenham experimentado caminhos modificados em hardware mais antigo.

Configurações de gerações mistas começaram a aparecer em testes da comunidade. O repositório relata um usuário executando uma RTX 4080 Super como placa de renderização e uma RTX 5060 Ti como processador neural. Essa observação permanece mais limitada do que uma pesquisa controlada de hardware.

Direct3D 12 é outro requisito. MGPU Bridge cria um dispositivo D3D12 e se conecta ao caminho D3D12 do ReShade. Jogos com Direct3D 11 e Vulkan não funcionam na implementação atual.

O complemento também exige ReShade 6.8.0 ou mais recente, com suporte completo a complementos. A versão padrão, apenas com efeitos, não carregará o arquivo necessário. Os usuários também precisam fornecer o componente de renderização neural da Nvidia por meio de sua própria instalação compatível.

Dois monitores representam um obstáculo prático maior. A segunda placa gráfica exibe diretamente sua imagem processada, evitando outra transferência pela conexão PCIe. Uma segunda placa sem monitor pode funcionar, mas Guibout mediu uma taxa de processamento 33% menor e latência aproximadamente dobrada.

Mesmo com dois monitores, a latência continua sem solução. O projeto mediu cerca de 8,3 milissegundos para cada passagem neural em 1080p na segunda placa. Ele não mediu a latência completa de fóton a fóton, que cobre todo o período entre uma ação de entrada e a emissão de luz atualizada pela tela.

Essa distinção impede afirmações definitivas sobre responsividade. Tempo de transferência, processamento neural, sincronização, apresentação na tela e filas de quadros podem contribuir para o atraso percebido.

O artigo-fonte afirma que o caminho de exibição dobra a latência da tela. No entanto, a documentação de Guibout usa linguagem mais cautelosa porque ainda não há medições de ponta a ponta disponíveis. A saída teria parecido jogável durante sessões curtas, mas impressões subjetivas não substituem testes instrumentados.

O software tem outras restrições experimentais. A sessão limpa mais longa documentada de Cyberpunk 2077 durou 20 minutos em 1440p. A estabilidade em períodos mais longos permanece sem testes.

Alterar a resolução, o modo DLSS ou as predefinições gráficas durante a execução pode interromper a conexão atual. Essas mudanças recriam a swapchain de um jogo, a estrutura que gerencia os quadros aguardando exibição. MGPU Bridge se vincula às dimensões e ao formato originais.

A geração de quadros também não foi caracterizada. Combinar a ponte com quadros gerados introduziria outra etapa de agendamento e possivelmente outra fila. Essa interação precisa de testes controlados antes que alguém possa afirmar que as duas técnicas funcionam bem juntas.

O gerenciamento de cores é incompleto. Um jogo testado retornou uma imagem desbotada, e reduzir a configuração de tom a corrigiu na máquina do desenvolvedor. Essa solução alternativa não estabelece um comportamento de cor preciso em diferentes monitores, formatos ou saída de alto alcance dinâmico.

Sobreposições externas podem criar mais problemas porque o processo agora contém duas swapchains. Ferramentas de monitoramento podem alternar entre o fluxo de exibição do jogo e o fluxo da ponte. Esse comportamento pode tornar confusas as leituras básicas de desempenho.

Esses limites explicam por que Guibout afirma que o projeto não é a visão da Nvidia para o DLSS 5. Ele também não é um motivo para comprar outra placa gráfica. O experimento isola um princípio técnico sob um conjunto restrito de condições.

O argumento financeiro seria difícil mesmo se a compatibilidade melhorasse. Uma segunda GPU exige outro slot, alimentação elétrica suficiente, fluxo de ar e largura de banda da placa-mãe. Desktops compactos e a maioria dos notebooks gamer não conseguem acomodar essa configuração.

O consumo total de energia também importa. A placa de renderização opera mais fria porque transfere trabalho, mas o segundo processador realiza esse trabalho em seu lugar. Medições de energia em nível de sistema precisam capturar os dois dispositivos antes que alguém descreva a transferência de carga como mais eficiente.

A integração nativa continua sendo a rota mais forte para jogos comuns. Os desenvolvedores podem usar vetores de movimento do motor, profundidade, informações semânticas e máscaras para reduzir trabalho neural desnecessário. As equipes de drivers também podem otimizar a sincronização sem depender de um arranjo de exibição de terceiros.

No entanto, a integração nativa não invalida o experimento. Ela torna sua contribuição mais específica. MGPU Bridge mostra que o pós-processamento neural não precisa, por definição, compartilhar a placa de renderização.

O Que Transformaria o Experimento de Segunda GPU para DLSS 5 em uma Direção Real

Três sinais determinarão se os coprocessadores neurais se tornarão uma arquitetura duradoura ou permanecerão uma demonstração para entusiastas.

O primeiro sinal é o teste independente de latência. Avaliadores precisam de medições de fóton a fóton em DLSS 5 nativo com uma única GPU e em configurações com uma segunda GPU. Taxas médias de quadros sozinhas não podem descrever a responsividade quando quadros concluídos passam por outro dispositivo de processamento.

Os testes também devem incluir distribuições de tempo de quadro. Uma média alta pode ocultar entrega irregular, interrupções de sincronização ou saída neural perdida. Um ritmo estável importa tanto quanto o pico de processamento durante a jogabilidade ativa.

Se testes independentes encontrarem latência moderada e consistente, o conceito de coprocessador se tornará mais crível. Atrasos grandes ou imprevisíveis o enfraqueceriam, especialmente em jogos de ação nos quais a resposta aos comandos importa.

O segundo sinal é uma escala mais ampla de hardware. Duas RTX 5060 Ti idênticas fornecem apenas um ponto em uma grande curva de desempenho. Placas de renderização mais rápidas podem expor um processador neural mais lento, enquanto resoluções de saída maiores podem tornar a passagem neural substancialmente mais pesada.

Sistemas com placas mistas merecem atenção especial. Muitos entusiastas têm uma GPU antiga sobressalente, mas a rota atual ainda depende de hardware neural compatível. Uma arquitetura útil precisaria de regras previsíveis de pareamento, em vez de combinações por tentativa e erro.

Testes em 1440p e 4K também esclareceriam se as transferências PCIe ou a inferência neural se tornam a principal limitação. Os arranjos de pistas PCIe variam amplamente entre placas-mãe de consumo, especialmente quando dois dispositivos grandes estão instalados.

Se o método funcionar em várias placas e configurações de pistas, ele sustentará o modelo de separação subjacente. Se os ganhos desaparecerem fora de GPUs intermediárias idênticas, seu significado prático será menor.

O terceiro sinal é a resposta da Nvidia por meio de software ou hardware. A empresa poderia melhorar o agendamento em uma única GPU, reduzir o custo do modelo neural ou expor suporte a múltiplos adaptadores pelo Streamline. GPUs futuras também poderiam adicionar mais capacidade neural isolada.

O design oficial da Nvidia já recebe dados do motor mais ricos do que o mod. Máscaras melhores e informações de movimento devem reduzir o processamento desperdiçado ao mesmo tempo que melhoram a estabilidade da imagem. Portanto, os desenvolvedores podem resolver grande parte do conflito sem um segundo dispositivo.

Ainda assim, o experimento MGPU Bridge identifica uma fronteira de carga de trabalho que vale acompanhar. A renderização neural agora consome computação sustentada suficiente para influenciar como um pipeline de quadros deve ser dividido.

O futuro mais plausível não é um retorno aos jogos com duas placas. É uma separação mais deliberada entre gráficos convencionais e processamento generativo de imagem dentro de um sistema.

Essa separação pode ocorrer por meio de blocos de hardware dedicados, chiplets, processadores integrados ou APIs explícitas de múltiplos adaptadores. A forma exata importa menos do que o princípio de agendamento exposto pelo mod Nvidia DLSS 5.

Para os jogadores, a recomendação atual continua simples. Tratem os resultados publicados como evidência de um mecanismo, não como uma recomendação de compra ou um benchmark universal.

Para desenvolvedores e pesquisadores de hardware, o experimento oferece uma pergunta mais precisa. Se a renderização neural se tornar uma etapa final permanente, ela deve continuar competindo com o renderizador pelos mesmos recursos?

A próxima rodada de dados independentes de latência, testes mais amplos de GPU e atualizações de integração da Nvidia deve responder a essa pergunta. Até lá, MGPU Bridge continua sendo uma demonstração técnica inventiva, com evidências reais de desempenho e limitações igualmente reais.