OpenDLSS: Una reimplementación en Vulkan de la red de renderizado neuronal DLSS 5 de Nvidia
Una reimplementación open source en Vulkan del sistema de renderizado neuronal DLSS 5 de Nvidia está llamando la atención tanto por su ambición técnica —con el objetivo de ser bit exacto respecto al original— como por su aparente dependencia intensa de código y documentación generados por LLM. Los comentaristas cuestionan cuán útil puede ser el proyecto sin los weights del modelo de Nvidia, debaten los importantes costes de rendimiento del renderizado neuronal estilo DLSS 5 y señalan implicaciones más amplias para los gráficos de videojuegos, el estilo artístico y el bloqueo con proveedores de GPU. El hilo también aborda la ética de la licencia en repositorios espejados y el enfoque estratégico de Nvidia en IA y herramientas propietarias frente al gaming tradicional.
Preocupaciones sobre README, código generados por IA y “slop”
- Muchos comentaristas se echan para atrás ante un README que parece generado por un LLM, y lo leen como una señal de que el autor quizá no entiende del todo el proyecto o no le importa.
- La gente informa que la documentación y los comentarios hechos por IA a menudo contienen funciones alucinadas, “narrativas de bugfix” contradictorias y relleno verboso; hay partes útiles, pero requieren una limpieza importante.
- A algunos les da igual que el código o la documentación estén escritos por IA siempre que la implementación funcione de verdad y esté validada; otros ven los malos materiales orientados al ser humano (documentación, UX) como un motivo suficiente para descartarlo.
Utilidad sin weights y cuestiones legales
- Una preocupación central es cuán útil es el proyecto sin los weights de DLSS 5; algunos asumen que está pensado para funcionar con weights extraídos de un juego concreto.
- Hay confusión sobre por qué no se incluyen los weights y sobre si unos weights generados por IA pueden tener copyright; se sospecha de riesgo legal por parte de Nvidia, pero no se resuelve.
- La discusión aclara que solo DLSS 1 usaba modelos por juego; las versiones más nuevas de DLSS usan un modelo en su mayor parte universal con pequeñas actualizaciones.
Rendimiento y viabilidad de DLSS 5
- Los tiempos de ejecución reportados de ~8–14 ms a resoluciones comunes hacen que la técnica sea muy costosa; los usuarios dicen que puede reducir a la mitad los FPS y que a menudo es poco práctica por encima de 60 FPS salvo en la gama más alta de GPUs.
- Algunos ven el renderizado neuronal actual de DLSS 5 más como una demo técnica que como una opción viable para jugar, aunque otros reportan buenos resultados en ciertas tarjetas con ajustes o combinando escaladores.
- Se elogia por hacer que juegos antiguos parezcan “remasterizados”, pero el uso de VRAM y los compromisos de rendimiento son significativos.
Diseño técnico y entradas (profundidad, movimiento, reutilización temporal)
- La red se describe como un modelo de difusión de un solo paso en espacio de píxeles, usando el frame renderizado, ruido, el frame previo reproyectado mediante vectores de movimiento y escalares, y produciendo un residual RGB más mezcla temporal.
- Hay debate sobre por qué aparentemente no usa el buffer de profundidad en la inferencia:
- Un lado sostiene que la profundidad ya está codificada en RGB y que entradas extra cuestan ancho de banda y complican la integración.
- Otros lo encuentran sorprendente y argumentan que la profundidad/segmentación deberían ser “atajos” baratos que el modelo, de otro modo, debe re-derivar.
- Se sugiere que los G-buffers (incluida la profundidad) se usaron durante el entrenamiento, pero que la inferencia en tiempo de ejecución se apoya sobre todo en RGB + vectores de movimiento para facilitar el uso como componente enchufable.
Ingeniería inversa, afirmaciones de bit exacto y ayuda de LLM
- El proyecto afirma ser bit exacto frente al DLSS 5 de Nvidia; a algunos les impresiona la hazaña, otros son escépticos respecto a la afirmación.
- Los comentaristas señalan que la implementación, en esencia, recrea la “maquinaria” de Nvidia mientras usa los weights oficiales.
- Se atribuye a los LLM haber hecho mucho más fácil la ingeniería inversa y la deofuscación (incluidos drivers), difuminando la línea entre autoría humana y de máquina.
Duplicación del repositorio y ética de la licencia
- Se menciona otro repositorio casi idéntico con una atribución diferente. Los timestamps sugieren que uno es anterior al otro, pero la autoría no está clara.
- Reescribir la autoría de los commits se ve ampliamente como un “robo” poco ético aunque esté bajo MIT; otros señalan que la licencia lo permite legalmente, y que harían falta licencias más copyleft o centradas en la atribución para impedirlo.
Nvidia, open source y prioridades de mercado
- Varios comentarios son escépticos respecto al supuesto amor de Nvidia por el open source, viendo el apoyo a weights abiertos principalmente como una estrategia para vender GPUs mientras mantiene cerrados CUDA y los compiladores.
- Existe preocupación de que los márgenes del hardware de IA empujen a las GPUs para juegos a convertirse en una prioridad menor, aunque hay desacuerdo sobre si los directivos están obligados legalmente a maximizar beneficios a corto plazo.
Estilo artístico y futuro del renderizado neuronal
- Algunos temen que el renderizado neuronal erosione el “toque humano” y los estilos artísticos originales; otros dicen que, en gran medida, ese es precisamente el objetivo de DLSS 5, que ahora altera significativamente las imágenes en lugar de limitarse a reescalarlas.
- Sigue el debate sobre si el renderizado neuronal debe seguir siendo una capa de asistencia/optimización o acabar sustituyendo gran parte del renderizado tradicional.