Geekbench: cómo funciona realmente

La evaluación comparativa de teléfonos inteligentes y computadoras implica probar el rendimiento del dispositivo en algunas categorías diferentes. Puede comparar varias métricas diferentes, incluido el rendimiento gráfico, la inteligencia artificial y la computación. Geekbench es un punto de referencia que se ha convertido en un elemento básico del mundo del benchmarking y se centra principalmente en la computación. Geekbench 6 es la última versión, pero ¿qué es exactamente? ¿Qué prueba y cómo?

¿Qué es Geekbench?

Geekbench es una aplicación de evaluación comparativa multiplataforma que puede atribuir una puntuación a las capacidades computacionales de un solo núcleo y de múltiples núcleos de su dispositivo. Esta puntuación se puede utilizar como punto de comparación con dispositivos adyacentes y se calibra con respecto a un puntuación inicial de 2500, que según Primate Labs es la puntuación de una Dell Precision 3460 con Intel Core i7-12700. Es cierto que navegar a través de las puntuaciones de Geekbench 6 parece apuntar a que esa CPU en particular apenas logró 2000 puntos en un solo núcleo, pero aparte de eso, la premisa es que se dice que un dispositivo con una puntuación de 5000 tiene el doble de rendimiento que el i7-12700.

En el caso de Geekbench 6, es la última versión de la suite de evaluación comparativa Geekbench y su objetivo es mida las capacidades de su teléfono inteligente en las formas que realmente importan cuando se trata de usar cualquiera de los mejores teléfonos.

• Fotografías más grandes en resoluciones capturadas por teléfonos inteligentes modernos (12-48MP)
• Ejemplos HTML representativos de los estándares de diseño web modernos.
• Una biblioteca más grande de imágenes para pruebas de importación.
• Mapas más grandes para pruebas de navegación.
• Ejemplos de PDF más grandes y modernos
• Un aumento en el tamaño de la carga de trabajo de Clang

También hay pruebas de cálculo de GPU y puede probar OpenCL, Metal y Vulkan. El punto de referencia de cálculo de GPU utiliza cargas de trabajo de aprendizaje automático, como el desenfoque del fondo y la detección de rostros, para probar las capacidades de reconocimiento de objetos. Además de eso, ejecuta cargas de trabajo de edición de imágenes, como detección de horizontes, detección de bordes y desenfoque gaussiano. Finalmente, hay cargas de trabajo de síntesis de imágenes que ejecutan la coincidencia de características y la coincidencia estéreo, junto con un punto de referencia de simulación que simula la física de partículas.

¿Qué plataformas admite Geekbench 6?

Geekbench 6 admite las siguientes plataformas, con compatibilidad con Windows on Arm para algunas de las mejores portátiles listo para venir con Geekbench 6.1:

¿Cómo funciona el benchmark de CPU de Geekbench?

El benchmark de CPU de Geekbench se divide en una serie de pruebas clave que tienen una sección de un solo núcleo y de varios núcleos. Cada sección está agrupada en dos subsecciones: cargas de trabajo de números enteros y cargas de trabajo de punto flotante. De forma predeterminada, hay intervalos de dos segundos entre cada prueba para minimizar el efecto que los problemas térmicos tienen en el rendimiento.

Geekbench 6 introdujo un modelo de tareas compartidas para pruebas de subprocesos múltiples, donde las cargas de trabajo se comparten entre múltiples subprocesos para representar cargas de trabajo más realistas. Anteriormente, Geekbench distribuía cargas de trabajo entre subprocesos individuales, lo que escala bien pero ofrece muy poca comunicación entre subprocesos. En el caso de los modelos de tareas compartidas, cada hilo procesa parte de una tarea compartida más grande. No escala tan bien, pero es más representativo de casos de uso del mundo real.

Las puntuaciones se calculan utilizando una media aritmética ponderada de las puntuaciones de las subsecciones, con el número entero subsección que representa el 65% de la puntuación y la subsección de punto flotante que representa el 35% restante.

En cuanto a cómo Geekbench prueba la capacidad del chipset de su dispositivo, prueba diferentes tipos de cargas de trabajo divididas en categorías. Estas categorías se dividen en productividad, desarrollador, aprendizaje automático y síntesis de imágenes.

Cargas de trabajo de productividad de Geekbench 6

Estas son cargas de trabajo que prueban el rendimiento de su dispositivo en tareas críticas cotidianas.

Compresión de archivo

Las cargas de trabajo de compresión de archivos prueban qué tan bueno es su dispositivo para comprimir y descomprimir archivos usando diferentes formatos de compresión. Modela casos de uso en los que un usuario puede intentar comprimir un archivo para enviárselo a otra persona con el fin de reducir los datos y el ancho de banda. Comprime el archivo fuente Ruby 3.1.2, que es un archivo de 75 MB que contiene 9.841 archivos, utilizando compresión LZ4 y ZSTD. Luego verifica los archivos comprimidos mediante un hash SHA-1.

Luego, estos archivos se almacenan mediante un sistema de archivos cifrados en memoria y esta carga de trabajo utiliza instrucciones que aceleran el cifrado y descifrado AES. También utiliza instrucciones que aceleran los algoritmos hash SHA-1.

Navegación

Utilizamos la navegación en todo tipo de dispositivos, especialmente en teléfonos inteligentes. La carga de trabajo de navegación tiene como objetivo generar direcciones entre una secuencia de ubicaciones y modela a las personas que usan aplicaciones como Google Maps en modo fuera de línea. Utiliza el algoritmo de Dijkstra para calcular 24 rutas diferentes en dos mapas OpenStreetMap diferentes. Uno está en Waterloo, Ontario, y el otro en Toronto, Ontario.

Navegador HTML5

El navegador HTML5 abre varias páginas HTML5 y modela a un usuario que navega por la web en un navegador moderno como Chrome o Safari. Utiliza un navegador sin cabeza y abre, analiza, diseña y presenta textos e imágenes basados ​​en sitios populares, incluidos Instagram, Wikipedia y Ars Técnica. Utiliza las siguientes bibliotecas:

• Google Gumbo como analizador HTML
• litehtml como analizador CSS, diseño y motor de renderizado
• FreeType como motor de fuentes
• Geometría antigrano como biblioteca de renderizado de gráficos 2D
• libjpeg-turbo y libpng como códecs de imagen

Esta prueba genera ocho páginas en modo de un solo núcleo y 32 páginas en modo de múltiples núcleos.

Renderizado de PDF

La carga de trabajo de procesamiento de PDF abre documentos PDF complejos utilizando PDFium, que es el procesador de PDF de Chrome. Representa archivos PDF de mapas de parques del Servicio de Parques Nacionales de Estados Unidos, con tamaños que van desde 897 kb a 1,5 MB. Estos archivos contienen imágenes vectoriales de gran tamaño, líneas y texto.

Esta prueba genera cuatro archivos PDF en modo de un solo núcleo y 16 archivos PDF en modo de múltiples núcleos.

Librería fotográfica

La carga de trabajo de organización de fotografías clasifica y etiqueta fotografías según los objetos que contienen, lo que permite a los usuarios buscar sus fotografías por palabra clave en aplicaciones de organización de imágenes. Utiliza MobileNet 1.0 para clasificar fotografías y una base de datos SQLite para almacenar los metadatos de las fotografías junto con sus etiquetas.

Esta carga de trabajo realiza los siguientes pasos para cada fotografía:

1. Descomprime la foto de un archivo JPEG comprimido.
2. Almacene metadatos de fotografías en una base de datos SQLite. Esta base de datos está rellena previamente con metadatos de más de 70.000 fotografías.
3. Genere una miniatura de vista previa y codifíquela como JPEG.
4. Genere una miniatura de inferencia.
5. Ejecute un modelo de clasificación de imágenes en la miniatura de inferencia.
6. Almacene etiquetas de clasificación de imágenes en una base de datos SQLite.

La carga de trabajo de la biblioteca de fotografías funciona con 16 fotografías en modo de un solo núcleo y 64 fotografías en modo de múltiples núcleos.

Cargas de trabajo del desarrollador de Geekbench 6

Las cargas de trabajo de los desarrolladores en Geekbench 6 miden qué tan bien su dispositivo maneja las tareas típicas de los desarrolladores, como la edición de texto, la compilación de códigos y la compresión de activos.

Sonido metálico

El compilador Clang se utiliza para compilar el intérprete Lua, modelando el caso de uso de los desarrolladores que crean su código y la compilación justo a tiempo que los usuarios experimentarán con frecuencia en sus dispositivos. Utiliza musl libc como biblioteca estándar de C para los archivos compilados. Compila ocho archivos en modo de un solo núcleo y 96 archivos en modo de múltiples núcleos.

Procesamiento de texto

El procesamiento de texto carga numerosos archivos, analiza su contenido mediante expresiones regulares, almacena metadatos en una base de datos SQLite y exporta el contenido a un formato diferente. Modela algoritmos típicos de procesamiento de texto que manipulan, analizan y transforman datos para su publicación y obtención de conocimientos.

Esta carga de trabajo se implementa en una combinación de Python y C++, utiliza Python 3.9.0 y procesa 190 archivos de rebajas para entrada.

Compresión de activos

La compresión de activos comprime activos geométricos y de textura 3D utilizando una variedad de códecs de compresión populares como ASTC, BC7 y DXT5. Modela los canales de compresión de contenido estándar que utilizan los desarrolladores de juegos.

La carga de trabajo utiliza bc7enc para sus implementaciones BC& y DXTC, y Arm ASTC Encoder para su implementación ASTC.

Cargas de trabajo de aprendizaje automático

Las cargas de trabajo de aprendizaje automático miden principalmente qué tan bien su CPU puede manejar el reconocimiento de objetos en imágenes y escenas.

Detección de objetos

La carga de trabajo de detección de objetos utiliza el aprendizaje automático para poder detectar y clasificar objetos en fotografías. Utiliza una red neuronal convolucional llamada MobileNet v1 SSD para detectar y clasificar objetos en fotografías, y las fotografías tienen un tamaño de 300x300 píxeles. Realiza los siguientes pasos para identificar objetos en una imagen:

1. Cargar la foto
2. Extraiga objetos de la foto usando MobileNet v1 SSD
3. Generar una puntuación de confianza o detección que represente la precisión de la detección.
4. Dibuje un cuadro delimitador alrededor del objeto y genere una puntuación de confianza.

La detección de objetos procesa 16 fotografías en modo de un solo núcleo y 64 fotografías en modo de múltiples núcleos.

Desenfoque de fondo

La carga de trabajo de desenfoque de fondo separa el primer plano del fondo en las transmisiones de video y desenfoca el fondo, tal como lo pueden hacer servicios como Zoom, Discord y Google Meet.

Edición de imagen

Las cargas de trabajo de edición de imágenes miden qué tan bien su CPU puede manejar ediciones de imágenes tanto simples como complejas.

Eliminador de objetos

La carga de trabajo de eliminación de objetos elimina objetos de las fotos y rellena el espacio dejado, modelando un relleno consciente del contenido y el Magic Eraser de Google. A la carga de trabajo se le proporciona una imagen de 3 MP con una región no deseada, y la carga de trabajo elimina esta región y utiliza un esquema de pintura interna para reconstruir el espacio que queda.

Detección de horizonte

La carga de trabajo de detección de horizontes puede detectar y enderezar líneas de horizonte irregulares o torcidas para mejorar las fotografías. Modela correctores de la línea del horizonte en aplicaciones de edición de fotografías y utiliza el detector de bordes Canny para aplicar una transformación de Hough para detectar la línea del horizonte. Utiliza una foto de 48MP como entrada.

filtro de foto

La carga de trabajo de filtros de fotografías aplica filtros para mejorar la apariencia de las fotografías, modelando filtros comunes en aplicaciones de redes sociales como Instagram. Aplica los siguientes efectos a 10 fotografías diferentes, con fotografías que varían en tamaño desde 3MP hasta 15MP.

• Filtros de color y desenfoque
• Ajustes de nivel
• Recortar y escalar
• Composición de imágenes

HDR

La carga de trabajo HDR combina seis fotografías normales para crear una única fotografía HDR colorida y vibrante. Modela las funciones HDR que se encuentran en las aplicaciones de cámara de los teléfonos inteligentes modernos, creando una única imagen HDR de 16 MP a partir de seis imágenes normales de 16 MP.

Síntesis de imágenes

Estas cargas de trabajo miden cómo su CPU puede manejar la creación de imágenes completamente artificiales.

trazador de rayos

El trazado de rayos está de moda y se puede utilizar para generar imágenes fotorrealistas modelando cómo los rayos de luz interactúan con objetos en escenas virtuales. Esto modela los procesos de renderizado que usaría el software de renderizado 3D como Blender o Cinema 4D.

Estructura a partir del movimiento

La estructura a partir del movimiento es una técnica que genera geometría 3D a partir de múltiples imágenes 2D. Los sistemas de realidad aumentada utilizan técnicas como estas para comprender escenas del mundo real. Esta carga de trabajo toma nueve imágenes 2D de la misma escena y construye una estimación de las coordenadas 3D de los puntos que son visibles en ambas imágenes.

Cómo descargar Geekbench

Geekbench es uno de los puntos de referencia que la gente utiliza para probar dispositivos como los mejores teléfonos, computadoras portátiles y tabletas, y puedes descargarlo desde Tienda de aplicaciones de Apple, Google Play Store y el sitio web de Primate Labs.