LONDON (IT BOLTWISE) – Ein GitHub-Projekt namens „Neural Coprocessor“ zeigt, wie sich das DLSS-5-Neural-Rendering auf eine zweite GPU auslagern lässt. Ein ReShade-Add-on greift die bereits gerenderten Frames ab, übergibt sie an die zweite Karte per MGPU-Bridge und startet dort den neuronalen Verarbeitungsschritt. Im Praxisversuch mit zwei GeForce RTX 5060 Ti steigt die Framerate in mehreren Szenen spürbar, während die zweite GPU ein eigenes Ausgabefenster benötigt. Damit rückt die Frage in den Fokus, wie viel Leistungsvorteil Upscaling gewinnen kann, wenn Post-Processing nicht die gleiche GPU konkurriert.
DLSS 5 adressiert einen Flaschenhals in modernen Games: Sobald die interne Renderauflösung sinkt, verschiebt sich die Last oft weg von klassischen Raster-Workloads hin zu KI-gestütztem Post-Processing. Genau dort setzt ein neues Experiment an, das das Neural Rendering aus dem bisherigen „gemeinsam mit dem eigentlichen Rendering“-Modell herauslöst. Das Projekt „Neural Coprocessor“ koppelt eine zweite Grafikkarte gezielt an den Neural-Rendering-Schritt – nicht als generelle SLI-Ersatzlösung, sondern als pragmatischer Coprozessor für eine einzelne Phase der Pipeline.
Die Grundidee wirkt technisch klar: Eine MGPU-Bridge soll die Arbeit des DLSS 5 Neural Renderings auf eine andere GPU umleiten. Dazu greift ein passendes ReShade-Add-on die fertig gerenderten Frames ab, liefert diese an die zweite Karte und führt dort das neuronale Rendering aus. Der Haken liegt in der Ausgabekette: Da der Frame nach dem Ausführen des DLSS 5 Neural Renderings nicht mehr an die primäre Karte zurücktransferiert wird, braucht die zweite GPU ein eigenes Ausgabefenster. Genau diese Eigenschaft unterscheidet den Ansatz von klassischem SLI oder CrossFire, wo mehrere GPUs typischerweise an einer gemeinsamen Bildproduktion beteiligt sind und am Ende ein konsolidiertes Ergebnis für die Anzeige entsteht.
Dass der Gedanke nicht völlig aus dem Nichts kommt, zeigt bereits die Bezugnahme auf einen früheren NVIDIA-Ansatz: In der ersten Präsentation von DLSS 5 wurde das Prinzip sinngemäß ebenfalls mit zwei Karten demonstriert. Der aktuelle Setup-Charakter zielt allerdings nicht auf das Aufteilen oder Duplizieren von Renderjobs, sondern auf das Outsourcing eines einzelnen Verarbeitungsschritts. Der Neural-Rendering-Schritt wird in den aktiven Konfigurationen je Frame genau einmal ausgeführt; dabei werden weder zusätzliche Rendering-Aufgaben hinzugefügt noch zwischen den Grafikkarten verschoben, wie das bei echten Multi-GPU-Load-Balancings sonst der Fall wäre. Für die Praxis bedeutet das: Entscheidend ist nicht, wie hoch die absolute FPS-Zahl ist, sondern wie sich die Frame-Zeit verteilt, wenn die neuronale Post-Processing-Phase nicht mehr die gleiche GPU blockiert, die auch für das eigentliche Rendering zuständig ist.
Im beschriebenen Test mit zwei GeForce RTX 5060 Ti treten die Effekte besonders bei Umschaltungen zwischen DLAA und aggressiveren DLSS-Modi zutage. Getestet wird in 1080p mit einem Ryzen 7 7800X3D; die beiden RTX 5060 Ti hängen jeweils über PCIe 5.0 x8 am System, wobei der Bericht betont, dass die reduzierte Breite in diesem Szenario in der Praxis keine Rolle spielen sollte. Die Zahlen zeigen eine Verschiebung: Ohne DLSS 5 liegt die Basis bei etwa 67–70 FPS, während in einer Referenzkonfiguration mit aktivem DLSS 5 bei identischer Darstellung 98–99 FPS und je nach Modus noch deutlich darüber erreicht werden (bis hin zu Ultra-Performance im Bereich um 172 FPS). Wichtig ist dabei die Interpretation: Neuronale Post-Processing-Verfahren laufen auch bei niedrigeren internen Renderauflösungen weiterhin in der nativen Ausgabeauflösung und können die jeweils genutzte Hardware spürbar auslasten. Reduziert man also die Renderauflösung, sinkt zwar ein Teil der Last, aber der zusätzliche Leistungsgewinn wird gebremst, wenn die gleiche GPU sowohl das Upscaling als auch das Neural Rendering plus weitere Post-Processing-Schritte tragen muss.
Genau hier erklärt der Ansatz seinen Mehrwert: Wenn DLSS 5 Neural Rendering auf derselben GPU wie das Haupt-Rendering läuft, kann es bei sinkender Renderauflösung zunehmend mehr von der verfügbaren Frame-Zeit beanspruchen. Dann fällt der zusätzliche Vorteil aggressiver Upscaling-Modi kleiner aus. Wird der Verarbeitungsschritt hingegen auf eine zweite Grafikkarte ausgelagert, bleibt ein größerer Teil des Leistungspotenzials erhalten, weil die primäre GPU für den reinen Rendering-Teil entlastet wird. Im Beispiel soll die Auslagerung auf die zweite Karte etwa 86 % des verfügbaren Leistungsgewinns nutzen, während bei der Ausführung auf der Rendering-GPU nur rund ein Drittel dieses Potenzials ankommt. Übersetzt heißt das: Die Methode macht die Aufteilung nicht „komplexer“, sondern „gezielter“ – sie reduziert Konkurrenz um Frame-Zeit, statt die Bildentstehung komplett zu fragmentieren.
Trotz der vielversprechenden Resultate bleibt das Projekt in einem frühen Stadium. Das Add-on erfordert daher ein Setup, das noch nicht auf Komfort und breite Kompatibilität im Alltag optimiert ist: Zwei unterschiedliche Ausgabe-Fenster bzw. Monitore sind in der Praxis wenig sinnvoll, solange die Rückgabe des fertig neuronalphotogenerierten Frames an die primäre Karte technisch nicht vorgesehen ist. Außerdem sind Änderungen an Setup und Grafikeinstellungen noch mit Risiken verbunden, weil das Verfahren derzeit empfindlich auf Abweichungen reagieren kann. Das Add-on setzt ab ReShade-Version 6.8.0 an und soll sowohl mit Karten der GeForce-RTX-50- als auch der GeForce-RTX-40-Serie funktionieren.
Für Anwender und Entwickler stellt sich damit vor allem eine Frage, die über den Benchmark hinausgeht: Funktioniert der „Coprocessor“-Gedanke auch im Mischbetrieb, etwa wenn eine kleinere Karte als Beschleuniger dient und eine stärkere GPU das eigentliche Rendering übernimmt? Der Text deutet an, dass das spannend wäre, nennt aber keine gesicherten Ergebnisse. Gleichzeitig macht der Ansatz deutlich, wie sich KI-Berechnungen in der Grafikprogrammierung verschieben können: Statt nur auf bessere Tensor- oder AI-Engine-Auslastung zu setzen, rückt die Systemarchitektur in den Vordergrund – also PCIe, Multi-GPU-Kopplung, Frame-Übergaben und vor allem die Frage, ob KI-gestütztes Post-Processing dieselbe Ressource wie das eigentliche Rendering blockiert. Genau daran wird sich auch zeigen, ob „DLSS 5 auf zwei Karten“ nur ein Experiment bleibt oder sich als brauchbares Performance-Pattern für bestimmte Workloads und Nutzergruppen etabliert.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "DLSS 5 per zweiter GPU: NVIDIA-Ansatz als „Neural Coprocessor“ umgesetzt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "DLSS 5 per zweiter GPU: NVIDIA-Ansatz als „Neural Coprocessor“ umgesetzt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »DLSS 5 per zweiter GPU: NVIDIA-Ansatz als „Neural Coprocessor“ umgesetzt« bei Google Deutschland suchen, bei Bing oder Google News!