Geekbench: Wie es tatsächlich funktioniert

Beim Benchmarking von Smartphones und Computern wird die Geräteleistung in verschiedenen Kategorien getestet. Sie können verschiedene Metriken vergleichen, darunter grafische Leistung, künstliche Intelligenz und Berechnung. Geekbench ist ein Benchmark, der zu einem festen Bestandteil der Benchmarking-Welt geworden ist und sich hauptsächlich auf Berechnungen konzentriert. Geekbench 6 ist die neueste Version, aber was genau ist das? Was wird getestet und wie?

Was ist Geekbench?

Geekbench ist eine plattformübergreifende Benchmarking-Anwendung, die sowohl der Single-Core- als auch der Multi-Core-Rechenleistung Ihres Geräts eine Bewertung zuordnen kann. Dieser Wert kann als Vergleichspunkt mit benachbarten Geräten verwendet werden und wird anhand von a kalibriert Basiswert von 2.500, was laut Primate Labs der Wert eines Dell Precision 3460 mit einem Intel Core ist i7-12700. Zugegebenermaßen scheint das Durchsuchen der Geekbench-6-Ergebnisse darauf hinzudeuten, dass diese bestimmte CPU nur knapp 2000 Punkte erreicht hat Single-Core, aber abgesehen davon gilt die Prämisse, dass ein Gerät mit einer Punktzahl von 5000 die doppelte Leistung haben soll i7-12700.

Im Fall von Geekbench 6 handelt es sich um die neueste Version der Geekbench-Benchmarking-Suite, und das ist auch das Ziel Messen Sie die Fähigkeiten Ihres Smartphones auf die Art und Weise, die für die Nutzung tatsächlich wichtig ist beste Telefone.

• Größere Fotos in Auflösungen, die mit modernen Smartphones aufgenommen wurden (12–48 MP)
• HTML-Beispiele, die für moderne Webdesign-Standards repräsentativ sind
• Eine größere Bildbibliothek für Importtests
• Größere Karten für Navigationstests
• Größere und modernere PDF-Beispiele
• Eine Erhöhung der Clang-Arbeitslastgröße

Es gibt auch GPU-Berechnungstests und kann OpenCL, Metal und Vulkan testen. Der GPU-Berechnungs-Benchmark nutzt Arbeitslasten des maschinellen Lernens wie Hintergrundunschärfe und Gesichtserkennung, um die Objekterkennungsfähigkeiten zu testen. Darüber hinaus werden Bildbearbeitungsaufgaben wie Horizonterkennung, Kantenerkennung und Gaußsche Unschärfe ausgeführt. Schließlich gibt es Bildsynthese-Workloads, die Feature-Matching und Stereo-Matching durchführen, sowie einen Simulations-Benchmark, der die Teilchenphysik simuliert.

Welche Plattformen unterstützt Geekbench 6?

Geekbench 6 unterstützt die folgenden Plattformen, wobei einige davon auch Windows on Arm unterstützen beste Laptops soll mit Geekbench 6.1 kommen:

Wie funktioniert der CPU-Benchmark von Geekbench?

Der CPU-Benchmark von Geekbench ist in eine Reihe wichtiger Tests unterteilt, die einen Single-Core- und einen Multi-Core-Bereich umfassen. Jeder Abschnitt ist in zwei Unterabschnitte gruppiert: Ganzzahl-Workloads und Gleitkomma-Workloads. Zwischen jedem Test gibt es standardmäßig Lücken von zwei Sekunden, um die Auswirkungen thermischer Probleme auf die Leistung zu minimieren.

Mit Geekbench 6 wurde ein Shared-Task-Modell für Multithreading-Tests eingeführt, bei dem Arbeitslasten auf mehrere Threads verteilt werden, um realistischere Arbeitslasten darzustellen. Zuvor verteilte Geekbench die Arbeitslast auf einzelne Threads, was sich gut skalieren lässt, aber nur sehr wenig Kommunikation zwischen Threads ermöglicht. Bei Shared-Task-Modellen verarbeitet jeder Thread einen Teil einer größeren Shared-Task. Es lässt sich nicht so gut skalieren, ist aber repräsentativer für reale Anwendungsfälle.

Die Punktzahlen werden anhand eines gewichteten arithmetischen Mittels der Teilabschnittspunktzahlen mit der Ganzzahl berechnet Der Unterabschnitt macht 65 % der Punktzahl aus und der Gleitkomma-Unterabschnitt macht den aus verbleibende 35 %.

Wie Geekbench die Leistungsfähigkeit des Chipsatzes Ihres Geräts testet, testet es verschiedene Arten von Arbeitslasten, die in Kategorien unterteilt sind. Diese Kategorien sind in Produktivität, Entwickler, maschinelles Lernen und Bildsynthese unterteilt.

Geekbench 6 Produktivitäts-Workloads

Hierbei handelt es sich um Workloads, die testen, wie leistungsfähig Ihr Gerät bei alltäglichen kritischen Aufgaben ist.

Dateikomprimierung

Dateikomprimierungs-Workloads testen, wie gut Ihr Gerät Dateien mit verschiedenen Komprimierungsformaten komprimieren und dekomprimieren kann. Es modelliert Anwendungsfälle, in denen ein Benutzer möglicherweise versucht, eine Datei zu komprimieren, um sie an eine andere Person zu senden, um Daten und Bandbreite zu reduzieren. Es komprimiert das Ruby 3.1.2-Quellarchiv, ein 75-MB-Archiv mit 9.841 Dateien, mithilfe der LZ4- und ZSTD-Komprimierung. Anschließend werden die komprimierten Dateien über einen SHA-1-Hash überprüft.

Diese Dateien werden dann mithilfe eines In-Memory-verschlüsselten Dateisystems gespeichert, und dieser Workload verwendet Anweisungen, die die AES-Verschlüsselung und -Entschlüsselung beschleunigen. Es verwendet auch Anweisungen, die SHA-1-Hashing-Algorithmen beschleunigen.

Navigation

Wir nutzen die Navigation auf allen möglichen Geräten, insbesondere auf Smartphones. Der Navigations-Workload zielt darauf ab, Wegbeschreibungen zwischen einer Reihe von Standorten zu generieren und Personen zu modellieren, die Apps wie Google Maps im Offline-Modus verwenden. Es verwendet den Dijkstra-Algorithmus, um 24 verschiedene Routen auf zwei verschiedenen OpenStreetMap-Karten zu berechnen. Einer befindet sich in Waterloo, Ontario, und einer in Toronto, Ontario.

HTML5-Browser

Der HTML5-Browser öffnet eine Reihe von HTML5-Seiten und modelliert einen Benutzer, der in einem modernen Browser wie Chrome oder Safari im Internet surft. Es verwendet einen Headless-Browser und öffnet, analysiert, gestaltet und rendert Texte und Bilder basierend auf beliebten Websites, darunter Instagram, Wikipedia und anderen Ars Technica. Es verwendet die folgenden Bibliotheken:

• Google Gumbo als HTML-Parser
• litehtml als CSS-Parser, Layout und Rendering-Engine
• FreeType als Font-Engine
• Anti-Grain-Geometrie als 2D-Grafik-Rendering-Bibliothek
• libjpeg-turbo und libpng als Bildcodecs

Dieser Test rendert acht Seiten im Single-Core-Modus und 32 Seiten im Multi-Core-Modus.

PDF-Rendering

Der PDF-Render-Workload öffnet komplexe PDF-Dokumente mit PDFium, dem PDF-Renderer von Chrome. Es rendert PDFs von Parkkarten des American National Park Service mit Größen zwischen 897 KB und 1,5 MB. Diese Dateien enthalten große Vektorbilder, Linien und Text.

Dieser Test rendert vier PDFs im Single-Core-Modus und 16 PDFs im Multi-Core-Modus.

Fotobibliothek

Die Arbeitslast „Fotoorganisation“ kategorisiert und markiert Fotos basierend auf den darin enthaltenen Objekten, sodass Benutzer ihre Fotos in Bildorganisations-Apps nach Schlüsselwörtern durchsuchen können. Es verwendet MobileNet 1.0 zur Klassifizierung von Fotos und eine SQLite-Datenbank zum Speichern der Fotometadaten zusammen mit ihren Tags.

Diese Arbeitslast führt für jedes Foto die folgenden Schritte aus:

1. Dekomprimieren Sie das Foto aus einer komprimierten JPEG-Datei.
2. Speichern Sie Fotometadaten in einer SQLite-Datenbank. Diese Datenbank ist vorab mit Metadaten für mehr als 70.000 Fotos gefüllt.
3. Erstellen Sie eine Vorschau-Miniaturansicht und kodieren Sie sie als JPEG.
4. Erzeugen Sie eine Miniaturansicht der Inferenz.
5. Führen Sie ein Bildklassifizierungsmodell für die Inferenzminiaturansicht aus.
6. Speichern Sie Bildklassifizierungs-Tags in einer SQLite-Datenbank.

Die Arbeitslast der Fotobibliothek umfasst 16 Fotos im Single-Core-Modus und 64 Fotos im Multi-Core-Modus.

Geekbench 6-Entwickler-Workloads

Entwickler-Workloads in Geekbench 6 messen, wie gut Ihr Gerät typische Entwickleraufgaben wie Textbearbeitung, Codekompilierung und Asset-Komprimierung bewältigt.

Klirren

Der Clang-Compiler wird zum Kompilieren des Lua-Interpreters verwendet und modelliert den Anwendungsfall von Entwicklern beim Erstellen ihres Codes und der Just-in-Time-Kompilierung, die Benutzer häufig auf ihren Geräten erleben. Es verwendet musl libc als C-Standardbibliothek für die kompilierten Dateien. Es kompiliert acht Dateien im Single-Core-Modus und 96 Dateien im Multi-Core-Modus.

Textverarbeitung

Die Textverarbeitung lädt zahlreiche Dateien, analysiert deren Inhalte mithilfe regulärer Ausdrücke, speichert Metadaten in einer SQLite-Datenbank und exportiert die Inhalte in ein anderes Format. Es modelliert typische Textverarbeitungsalgorithmen, die Daten für die Veröffentlichung und Gewinnung von Erkenntnissen manipulieren, analysieren und umwandeln.

Diese Arbeitslast wird in einer Mischung aus Python und C++ implementiert, wobei Python 3.9.0 verwendet wird und 190 Markdown-Dateien für die Eingabe verarbeitet werden.

Asset-Komprimierung

Die Asset-Komprimierung komprimiert 3D-Textur- und Geometrie-Assets mithilfe verschiedener gängiger Komprimierungscodecs wie ASTC, BC7 und DXT5. Es modelliert die Standard-Inhaltskomprimierungspipelines, die von Spieleentwicklern verwendet werden.

Der Workload verwendet bc7enc für seine BC&- und DXTC-Implementierungen und Arm ASTC Encoder für seine ASTC-Implementierung.

Arbeitslasten für maschinelles Lernen

Arbeitslasten für maschinelles Lernen messen in erster Linie, wie gut Ihre CPU mit der Erkennung von Objekten in Bildern und Szenen umgehen kann.

Objekterkennung

Der Objekterkennungs-Workload nutzt maschinelles Lernen, um Objekte in Fotos zu erkennen und zu klassifizieren. Es verwendet ein Faltungs-Neuronales Netzwerk namens MobileNet v1 SSD, um Objekte in Fotos zu erkennen und zu klassifizieren. Die Fotos haben eine Größe von 300 x 300 Pixel. Es führt die folgenden Schritte aus, um Objekte in einem Bild zu identifizieren:

1. Laden Sie das Foto
2. Extrahieren Sie Objekte aus dem Foto mit der MobileNet v1 SSD
3. Generieren Sie einen Konfidenz- oder Erkennungswert, der die Genauigkeit der Erkennung darstellt
4. Zeichnen Sie einen Begrenzungsrahmen um das Objekt und geben Sie einen Konfidenzwert aus

Die Objekterkennung verarbeitet 16 Fotos im Single-Core-Modus und 64 Fotos im Multi-Core-Modus.

Hintergrundunschärfe

Der Workload „Hintergrundunschärfe“ trennt den Vordergrund vom Hintergrund in Videostreams und verwischt den Hintergrund, genau wie es Dienste wie Zoom, Discord und Google Meet tun können.

Bildbearbeitung

Bildbearbeitungs-Workloads messen, wie gut Ihre CPU sowohl einfache als auch komplexe Bildbearbeitungen bewältigen kann.

Objektentferner

Der Objektentferner-Workload entfernt Objekte aus Fotos und füllt die verbleibende Lücke, indem er eine inhaltsbewusste Füllung und Googles eigenen Magic Eraser modelliert. Dem Workload wird ein 3MP-Bild mit einem unerwünschten Bereich bereitgestellt, der Workload entfernt diesen Bereich und verwendet ein Inpainting-Schema, um die zurückbleibende Lücke zu rekonstruieren.

Horizonterkennung

Der Workload „Horizonterkennung“ kann unebene oder schiefe Horizontlinien erkennen und begradigen, um Fotos zu verbessern. Es modelliert Horizontlinienkorrekturen in Fotobearbeitungs-Apps und verwendet den Canny-Kantendetektor, um eine Hough-Transformation zur Erkennung der Horizontlinie anzuwenden. Als Eingabe dient ein 48-Megapixel-Foto.

Foto Filter

Der Fotofilter-Workload wendet Filter an, um das Erscheinungsbild von Fotos zu verbessern, und modelliert dabei gängige Filter in Social-Media-Apps wie Instagram. Die folgenden Effekte werden auf 10 verschiedene Fotos angewendet, wobei die Fotos eine Größe von 3 MP bis 15 MP haben.

• Farb- und Unschärfefilter
• Pegelanpassungen
• Zuschneiden und Skalieren
• Bildkomposition

HDR

Der HDR-Workload mischt sechs normale Fotos, um ein einziges HDR-Foto zu erstellen, das farbenfroh und lebendig ist. Es modelliert HDR-Funktionen moderner Smartphone-Kamera-Apps und erstellt ein einzelnes 16-MP-HDR-Bild aus sechs regulären 16-MP-Bildern.

Bildsynthese

Diese Workloads messen, wie Ihre CPU mit der Erstellung völlig künstlicher Bilder umgehen kann.

Raytracer

Raytracing liegt voll im Trend und kann zur Erzeugung fotorealistischer Bilder verwendet werden, indem modelliert wird, wie Lichtstrahlen mit Objekten in virtuellen Szenen interagieren. Dies modelliert die Rendering-Prozesse, die 3D-Rendering-Software wie Blender oder Cinema 4D verwenden würden.

Struktur aus Bewegung

Struktur aus Bewegung ist eine Technik, die 3D-Geometrie aus mehreren 2D-Bildern generiert. Augmented-Reality-Systeme nutzen Techniken wie diese, um reale Szenen zu verstehen. Bei diesem Arbeitsaufwand werden neun 2D-Bilder derselben Szene erstellt und eine Schätzung der 3D-Koordinaten der Punkte erstellt, die in beiden Bildern sichtbar sind.

So laden Sie Geekbench herunter

Geekbench ist einer der beliebtesten Benchmarks, mit denen Menschen Geräte wie die besten Telefone, Laptops usw. testen Tablets, und Sie können es von der herunterladen Apple App Store, der Google Play Store und die Primate Labs-Website.