开源复刻DLSS 5：OpenDLSS NR让RTX40系甚至浏览器都能跑

英伟达今年3月官宣DLSS 5时，把它锁定在了RTX 50系显卡上，老卡用户只能干瞪眼。没想到剧情出现反转——开发者MAAN用Vulkan把DLSS 5的神经渲染网络整个重写并开源，项目名为OpenDLSS NR，采用MIT协议，代码与文档全部公开。据B站UP主彭叔大玩家的分析，这个项目的复刻精度和跨平台能力都超出了常规预期。

复刻到了什么程度

衡量一个逆向复刻项目是否靠谱，关键不在于"能跑"，而在于能否和原版的每一个中间环节对齐。这正是OpenDLSS NR最硬核的地方。

整个网络包含71个区块，使用FP8激活，全部权重约141MB。MAAN不是简单地把网络跑起来，而是从架构到舍入误差全部对齐：喂进去同样的输入，最终画面一致；更进一步，75个区块边界处的中间输出也做到了逐字节一致。

画面一致可以靠训练凑近似，但中间结果逐字节对上，意味着复刻者真正还原了原始网络的计算逻辑，而不是"看起来差不多"的替代品。这种位级一致性（bit-exact）的校验，才是这个项目真正的技术难度所在。

FP8（8位浮点数）是英伟达在Hopper和Ada Lovelace架构（即40/50系）引入的低精度数据格式，相比传统FP32和FP16，它在保持可接受精度的前提下大幅降低显存占用和计算带宽需求，专门为深度学习推理加速设计。DLSS 5采用FP8激活意味着每个神经元的中间计算值都以8位浮点形式存储和传递，这对硬件提出了特定要求——Ada架构的Tensor Core原生支持FP8运算，而老一代显卡缺乏这一硬件单元，只能模拟执行，性能会大打折扣。OpenDLSS NR在Vulkan层面实现了相同的FP8计算路径，这也正是它在原生模式下仍然依赖特定硬件的根本原因。

性能表现：71层网络还能看

复刻得再精准，性能跑不动也是空谈。目前的数据来自开发者自测，用的是RTX 4070 SUPER这张40系甜品卡。

在1080P分辨率下，一帧只需要7.8毫秒，折合约128帧的帧预算；2K分辨率为12.6毫秒；4K则是29.3毫秒。对于一个71层的神经网络来说，这样的开销已经进入可用区间。

需要强调的是，这些数字是开发者自证的结果，并非第三方独立测评，实际落地到不同硬件和场景时可能有出入。但从数量级来看，40系显卡运行DLSS 5的神经渲染网络，至少在理论上不再是不可能的事。

浏览器版：跨平台的意外惊喜

更有意思的是，这个项目还做了一个浏览器版本。同样的网络，用WebGPU就能跑起来，完全不依赖TensorRT。

代价是速度慢了约27倍，但换来的是AMD、Intel显卡理论上都能运行——这是英伟达官方闭源方案永远给不了的跨平台能力。对研究者和想了解神经渲染内部机制的人来说，浏览器里就能跑一遍完整网络，门槛被大大拉低。

WebGPU是W3C制定的新一代Web图形与计算API，于2023年在主流浏览器中正式落地。与WebGL不同，WebGPU原生支持通用GPU计算（compute shader），能够将显卡的并行计算能力暴露给网页应用，而无需绑定特定厂商的驱动层（如CUDA或Metal）。将神经网络推理移植到WebGPU意味着只要浏览器支持该API，任何品牌的现代显卡——包括AMD的RDNA架构和Intel的Xe架构——都能参与计算。27倍的速度差距主要来自两方面：一是浏览器沙箱和JavaScript/WASM的调用开销，二是WebGPU的计算着色器无法像TensorRT那样针对特定GPU微架构做深度优化。对于需要理解DLSS神经渲染计算流程的研究者来说，这种可交互的浏览器环境提供了前所未有的透明度。

安装与上手：三步走

对动手能力强的用户，项目提供了相对清晰的安装流程，照着文档走三步即可。

第一步，运行脚本下载工具链；第二步，编译出主程序，自带跑分和位一致性校验功能；第三步，编译出演示渲染器，就能直接观察神经渲染的效果。

演示里神经渲染的开关对比非常直观：左边关闭、右边打开，皮肤纹理和材质细节一眼就能看出差别。这种所见即所得的对比，让神经渲染带来的画质提升不再是抽象概念。

两道坎：离装进游戏还很远

尽管技术层面已经相当惊艳，但想真正在游戏里用上，还隔着两道实实在在的坎。

第一道是权重问题。这些网络权重需要从英伟达的闭源运行时里自己提取，这是整个流程中门槛最高的一步，普通玩家很难独立完成。

第二道是游戏适配。目前项目并没有做任何游戏集成，要真正用到游戏里，得等社区把它做成MOD。这需要时间，也需要社区投入。

此外还有一道硬性门槛：硬件。原生版本依然需要特定硬件支持，AMD显卡跑不了原生版，只能通过速度慢得多的浏览器版曲线救国。

TensorRT是英伟达官方的深度学习推理优化库，DLSS的权重文件以加密或私有格式打包在驱动程序或游戏目录中，并非标准的ONNX或PyTorch格式，无法直接导出。"从闭源运行时提取"通常意味着需要在运行时内存中截获模型权重——这涉及驱动层hook、内存dump等技术手段，在某些司法管辖区可能触及逆向工程相关法律条款，也是项目本身法律风险的主要来源。MIT协议保护的是MAAN自行编写的代码，但并不能豁免用户在提取英伟达专有权重时面临的潜在问题。这也解释了为何项目选择开源架构和计算逻辑，却无法直接打包权重一并分发。

这件事的意义

把闭源网络逐字节还原并开源，最直接的受益者是研究者和MOD社区。它让原本黑箱的DLSS 5内部结构变得可研究、可复现，也为跨平台神经渲染探索提供了参考实现。

但要清醒看到，"复刻完成"和"装进游戏"之间还差着权重提取和游戏适配两大步。对手握RTX 40系的玩家来说，眼下真正能做的，无非是等英伟达官方放开支持，或者盯着社区把MOD做出来。无论哪条路，OpenDLSS NR都已经证明了一件事：闭源的技术壁垒，并非牢不可破。