Geekbench: Sådan fungerer det faktisk

Benchmarking af smartphones og computere involverer test af enhedens ydeevne i et par forskellige kategorier. Du kan sammenligne forskellige metrics, herunder grafisk ydeevne, kunstig intelligens og beregning. Geekbench er et benchmark, der er blevet en fast bestanddel af benchmarking-verdenen, og det er primært fokuseret på beregning. Geekbench 6 er den nyeste version, men hvad er det egentlig? Hvad tester det, og hvordan?

Hvad er Geekbench?

Geekbench er en benchmarking-applikation på tværs af platforme, der kan tilskrive en score til både single-core og multi-core computeregenskaberne på din enhed. Denne score kan bruges som et sammenligningspunkt mod tilstødende enheder og er kalibreret mod en baseline-score på 2.500, som Primate Labs siger er scoren for en Dell Precision 3460 med en Intel Core i7-12700. Indrømmet, at browse gennem Geekbench 6-resultater synes at pege på, at den pågældende CPU kun knap skraber 2000 point i single-core, men bortset fra det er forudsætningen, at en enhed, der scorer 5000, siges at have dobbelt så god ydeevne som i7-12700.

I tilfældet med Geekbench 6 er det den seneste iteration af Geekbench benchmarking-pakken, og den har til formål at mål din smartphones muligheder på de måder, der faktisk betyder noget, når det kommer til at bruge nogen af ​​de bedste telefoner.

• Større billeder i opløsninger taget af moderne smartphones (12-48MP)
• HTML-eksempler, der er repræsentative for moderne webdesignstandarder
• Et større bibliotek af billeder til importtest
• Større kort til navigationstest
• Større og mere moderne PDF-eksempler
• En stigning i Clang-arbejdsbelastningsstørrelsen

Der er også GPU-beregningstest, og det kan teste OpenCL, Metal og Vulkan. GPU-beregningsbenchmark gør brug af maskinlærings-arbejdsbelastninger såsom baggrundssløring og ansigtsgenkendelse til at teste objektgenkendelsesfunktioner. Oven i det kører den billedredigeringsarbejdsbelastninger, såsom horisontgenkendelse, kantdetektion og Gaussisk sløring. Endelig er der billedsyntese-arbejdsbelastninger, der udfører feature-matching og stereo-matching, sammen med et simuleringsbenchmark, der simulerer partikelfysik.

Hvilke platforme understøtter Geekbench 6?

Geekbench 6 understøtter følgende platforme, med Windows on Arm-understøttelse for nogle af de bedste bærbare computere indstillet til at komme med Geekbench 6.1:

Hvordan fungerer Geekbenchs CPU-benchmark?

Geekbench's CPU-benchmark er opdelt i en række nøgletests, der har en single-core og multi-core sektion. Hver sektion er grupperet i to undersektioner: heltalsarbejdsbelastninger og flydende kommaarbejdsbelastninger. Der er mellemrum mellem hver test på to sekunder som standard for at minimere den effekt, som termiske problemer har på ydeevnen.

Geekbench 6 introducerede en delt opgavemodel til multithreading-test, hvor arbejdsbelastninger deles på tværs af flere tråde for at repræsentere mere realistiske arbejdsbelastninger. Tidligere spredte Geekbench arbejdsbelastninger på tværs af individuelle tråde, som skaleres godt, men tilbyder meget lidt inter-thread-kommunikation. I tilfælde af delte opgavemodeller behandler hver tråd en del af en større delt opgave. Den skalerer ikke så godt, men er mere repræsentativ for brugssager i den virkelige verden.

Scoringer beregnes ved hjælp af et vægtet aritmetisk gennemsnit af underafsnitsscore med heltal undersektion, der tegner sig for 65% af scoren, og floating-point undersektionen tegner sig for resterende 35 %.

Med hensyn til hvordan Geekbench tester evnen til din enheds chipset, tester den forskellige typer arbejdsbelastninger opdelt i kategorier. Disse kategorier er opdelt i produktivitet, udvikler, maskinlæring og billedsyntese.

Geekbench 6 Produktivitetsarbejdsbelastninger

Disse er arbejdsbelastninger, der tester, hvor performativ din enhed er ved daglige kritiske opgaver.

Filkomprimering

Filkomprimeringsarbejdsbelastninger tester, hvor god din enhed er til at komprimere og dekomprimere filer ved hjælp af forskellige komprimeringsformater. Det modellerer brugssituationer, hvor en bruger kan søge at komprimere en fil for at sende til en anden for at reducere data og båndbredde. Det komprimerer Ruby 3.1.2-kildearkivet, som er et 75MB-arkiv, der indeholder 9.841 filer, ved hjælp af LZ4- og ZSTD-komprimering. Den verificerer derefter de komprimerede filer via en SHA-1 hash.

Disse filer gemmes derefter ved hjælp af et krypteret filsystem i hukommelsen, og denne arbejdsbelastning bruger instruktioner, der fremskynder AES-kryptering og dekryptering. Den bruger også instruktioner, der accelererer SHA-1 hashing-algoritmer.

Navigation

Vi bruger navigation på tværs af alle slags enheder, især smartphones. Navigationsarbejdsbyrden har til formål at generere rutevejledninger mellem en sekvens af lokationer og modellerer folk, der bruger apps som Google Maps i offlinetilstand. Den bruger Dijkstras algoritme til at beregne 24 forskellige ruter på to forskellige OpenStreetMap-kort. Den ene er i Waterloo, Ontario, og den anden er i Toronto, Ontario.

HTML5 browser

HTML5-browseren åbner en række HTML5-sider og modellerer en bruger, der surfer på nettet i en moderne browser som Chrome eller Safari. Den bruger en hovedløs browser og åbner, analyserer, lægger ud og gengiver tekster og billeder baseret på populære websteder, herunder Instagram, Wikipedia og Ars Technica. Den bruger følgende biblioteker:

• Google Gumbo som HTML-parser
• litehtml som CSS-parser, layout og gengivelsesmotor
• FreeType som skrifttypemotor
• Anti-Grain Geometry som 2D-grafikgengivelsesbibliotek
• libjpeg-turbo og libpng som billedcodecs

Denne test gengiver otte sider i enkeltkernetilstand og 32 sider i multikernetilstand.

PDF-gengivelse

PDF-gengivelses-arbejdsbelastningen åbner komplekse PDF-dokumenter ved hjælp af PDFium, som er Chromes PDF-renderer. Den gengiver PDF'er af parkkort fra American National Park Service, med størrelser fra 897 kb til 1,5 MB. Disse filer indeholder store vektorbilleder, linjer og tekst.

Denne test gengiver fire PDF'er i enkeltkernetilstand og 16 PDF'er i multikernetilstand.

Fotobibliotek

Fotoorganisationens arbejdsbyrde kategoriserer og mærker fotos baseret på objekter, de indeholder, hvilket giver brugerne mulighed for at søge i deres fotos efter nøgleord i billedorganiseringsapps. Den bruger MobileNet 1.0 til at klassificere fotos og en SQLite-database til at gemme fotometadata ved siden af ​​deres tags.

Denne arbejdsbyrde udfører følgende trin for hvert billede:

1. Dekomprimer billedet fra en komprimeret JPEG-fil.
2. Gem fotometadata i en SQLite-database. Denne database er præ-udfyldt med metadata for mere end 70.000 billeder.
3. Generer en forhåndsvisningsminiature, og indkod den som en JPEG.
4. Generer en slutningsminiature.
5. Kør en billedklassificeringsmodel på inferensminiaturebilledet.
6. Gem billedklassifikationstags i en SQLite-database.

Fotobibliotekets arbejdsbyrde fungerer på 16 fotos i single-core-tilstand og 64 fotos i multi-core-tilstand.

Geekbench 6 Udvikler arbejdsbelastninger

Udviklerarbejdsbelastninger i Geekbench 6 måler, hvor godt din enhed håndterer typiske udvikleropgaver såsom tekstredigering, kodekompilering og aktivkomprimering.

Clang

Clang-kompileren bruges til at kompilere Lua-fortolkeren, der modellerer brugssituationen for udviklere, der bygger deres kode og just-in-time kompilering, som brugere ofte vil opleve på deres enheder. Den bruger musl libc som C-standardbiblioteket til de kompilerede filer. Den kompilerer otte filer i single-core og 96 filer i multi-core mode.

Tekstbehandling

Tekstbehandling indlæser adskillige filer, analyserer deres indhold ved hjælp af regulære udtryk, gemmer metadata i en SQLite-database og eksporterer indholdet til et andet format. Den modellerer typiske tekstbehandlingsalgoritmer, der manipulerer, analyserer og transformerer data til publicering og indsigt.

Denne arbejdsbyrde er implementeret i en blanding af Python og C++, ved at bruge Python 3.9.0 og behandle 190 markdown-filer til input.

Aktiv komprimering

Aktivkompression komprimerer 3D-teksturelle og geometriske aktiver ved hjælp af en række populære komprimeringscodecs såsom ASTC, BC7 og DXT5. Den modellerer standardindholdskomprimeringspipelines, der bruges af spiludviklere.

Arbejdsbelastningen bruger bc7enc til sine BC&- og DXTC-implementeringer og Arm ASTC Encoder til sin ASTC-implementering.

Machine Learning arbejdsbelastninger

Maskinlæringsarbejdsbelastninger måler primært, hvor godt din CPU kan håndtere genkendelse af objekter i billeder og scener.

Objektdetektion

Arbejdsbelastningen til objektdetektering gør brug af maskinlæring, så den kan detektere og klassificere objekter i fotos. Den bruger et foldet neuralt netværk kaldet MobileNet v1 SSD til at detektere og klassificere objekter på fotos, og billederne har en størrelse på 300x300 pixels. Den udfører følgende trin for at identificere objekter i et billede:

1. Indlæs billedet
2. Uddrag objekter fra billedet ved hjælp af MobileNet v1 SSD
3. Generer en tillids- eller detektionsscore, der repræsenterer nøjagtigheden af ​​detektionen
4. Tegn en afgrænsningsramme rundt om objektet og udskriv en konfidensscore

Objektdetektion behandler 16 fotos i enkeltkernetilstand og 64 fotos i multikernetilstand.

Sløring af baggrund

Arbejdsbelastningen med baggrundssløring adskiller forgrunden fra baggrunden i videostreams og slører baggrunden, ligesom tjenester som Zoom, Discord og Google Meet kan.

Billedredigering

Billedredigeringsarbejdsbelastninger måler, hvor godt din CPU kan håndtere både simple og komplekse billedredigeringer.

Objektfjerner

Arbejdet med objektfjerner fjerner objekter fra fotos og udfylder det efterladte hul ved at modellere et indholdsbevidst fyld og Googles egen Magic Eraser. Arbejdsbyrden er forsynet med et 3 MP-billede med en uønsket region, og arbejdsbyrden fjerner denne region og bruger et indmalingsskema til at rekonstruere det hul, der er efterladt.

Horisont detektion

Arbejdsbyrden til registrering af horisont kan registrere og rette ujævne eller skæve horisontlinjer for at forbedre billeder. Den modellerer horisontlinjekorrektorer i fotoredigeringsapps og bruger Canny-kantdetektoren til at anvende en Hough-transformation for at detektere horisontlinjen. Den bruger et 48 MP foto som input.

Foto filter

Fotofilterets arbejdsbyrde anvender filtre for at forbedre billedets udseende og modellerer almindelige filtre i sociale medieapps som Instagram. Den anvender følgende effekter på 10 forskellige fotos, med billeder i størrelse fra 3MP til 15MP.

• Farve- og sløringsfiltre
• Niveaujusteringer
• Beskæring og skalering
• Billedsammensætning

HDR

HDR-arbejdsbyrden blander seks almindelige billeder for at skabe et enkelt HDR-foto, der er farverigt og levende. Den modellerer HDR-funktioner, der findes i moderne smartphone-kameraapps, og skaber et enkelt 16 MP HDR-billede ud fra seks 16 MP almindelige billeder.

Billedsyntese

Disse arbejdsbelastninger måler, hvordan din CPU kan håndtere at skabe helt kunstige billeder.

Ray sporstof

Strålesporing er i højsædet, og det kan bruges til at generere fotorealistiske billeder ved at modellere, hvordan lysstråler interagerer med objekter i virtuelle scener. Dette modellerer de gengivelsesprocesser, som 3D-gengivelsessoftware som Blender eller Cinema 4D ville bruge.

Struktur fra bevægelse

Struktur fra bevægelse er en teknik, der genererer 3D-geometri fra flere 2D-billeder. Augmented reality-systemer bruger teknikker som disse til at forstå scener i den virkelige verden. Denne arbejdsbyrde tager ni 2D-billeder af den samme scene og konstruerer et skøn over 3D-koordinaterne for de punkter, der er synlige i begge billeder.

Hvordan man downloader Geekbench

Geekbench er en af ​​de gå-til-benchmarks, som folk bruger til at teste enheder som de bedste telefoner, bærbare computere og tabletter, og du kan downloade den fra Apple App Store, Google Play Butik og Primate Labs hjemmeside.