Geekbench: kuidas see tegelikult töötab

Nutitelefonide ja arvutite võrdlusuuringud hõlmavad seadmete jõudluse testimist mõnes erinevas kategoorias. Saate võrrelda erinevaid mõõdikuid, sealhulgas graafilist jõudlust, tehisintellekti ja arvutusi. Geekbench on võrdlusalus, millest on saanud võrdlusuuringute maailma põhiosa ja see keskendub peamiselt arvutamisele. Geekbench 6 on uusim versioon, kuid mis see täpselt on? Mida see testib ja kuidas?

Mis on Geekbench?

Geekbench on platvormideülene võrdlusuuringu rakendus, mis võib omistada hinde nii teie seadme ühe- kui ka mitmetuumalisele arvutusvõimele. Seda skoori saab kasutada võrdluspunktina külgnevate seadmetega ja see on kalibreeritud a algtaseme skoor 2500, mis on Primate Labsi sõnul Intel Core'iga Dell Precision 3460 skoor i7-12700. Tõsi, Geekbench 6 tulemuste sirvimine näib viitavat sellele, et see konkreetne protsessor kogub vaevalt 2000 punkti ühetuumaline, kuid peale selle eeldatakse, et seadmel, mille hind on 5000, on väidetavalt kaks korda parem jõudlus kui i7-12700.

Geekbench 6 puhul on see Geekbenchi võrdlusuuringute komplekti uusim iteratsioon ja selle eesmärk on mõõta oma nutitelefoni võimalusi viisil, mis on tegelikult oluline, kui on vaja mõnda neist kasutada parimad telefonid.

• Suuremad fotod eraldusvõimega, mis on jäädvustatud kaasaegsete nutitelefonidega (12–48 MP)
• HTML-i näited, mis esindavad kaasaegseid veebidisaini standardeid
• Imporditestide jaoks suurem piltide kogu
• Suuremad kaardid navigatsioonitestide jaoks
• Suuremad ja kaasaegsemad PDF-näited
• Clangi töökoormuse suurenemine

Samuti on olemas GPU arvutustestid ja see võib testida OpenCL-i, Metalli ja Vulkani. GPU-arvutuse võrdlusalus kasutab objektituvastusvõime testimiseks masinõppe töökoormust, nagu tausta hägustamine ja näotuvastus. Lisaks käitab see pilditöötluse töökoormusi, nagu horisondi tuvastamine, serva tuvastamine ja Gaussi hägustumine. Lõpuks on olemas piltide sünteesi töökoormused, mis teostavad funktsioonide sobitamist ja stereosobitamist, koos simulatsiooni etaloniga, mis simuleerib osakeste füüsikat.

Milliseid platvorme Geekbench 6 toetab?

Geekbench 6 toetab järgmisi platvorme, Windows on Arm toetab mõnda neist parimad sülearvutid komplektis Geekbench 6.1:

Kuidas Geekbenchi CPU etalon töötab?

Geekbenchi CPU etalon on jaotatud mitmeks põhitestiks, millel on ühe- ja mitmetuumaline sektsioon. Iga jaotis on rühmitatud kahte alamjaotisesse: täisarvude töökoormused ja ujukoma töökoormused. Iga testi vahel on vaikimisi kahesekundiline vahe, et minimeerida termiliste probleemide mõju jõudlusele.

Geekbench 6 tutvustas mitme lõime testimiseks jagatud ülesannete mudelit, kus töökoormused jagatakse mitme lõime vahel, et esitada realistlikumaid töökoormusi. Varem jagas Geekbench töökoormust üksikute lõimede vahel, mis skaleerub hästi, kuid pakub väga vähe lõimedevahelist suhtlust. Jagatud ülesannete mudelite puhul töötleb iga lõim osa suuremast jagatud ülesandest. See ei skaleeru nii hästi, kuid esindab rohkem reaalse maailma kasutusjuhtumeid.

Hinded arvutatakse alajaotuse skooride kaalutud aritmeetilist keskmist kasutades täisarvuga alajaotis, mis moodustab 65% punktisummast ja ujukoma alajaotis, mis moodustab ülejäänud 35%.

Mis puutub sellesse, kuidas Geekbench testib teie seadme kiibistiku võimet, siis see testib erinevat tüüpi töökoormust, mis on jagatud kategooriatesse. Need kategooriad jagunevad produktiivsuseks, arendajaks, masinõppeks ja kujutise sünteesiks.

Geekbench 6 tootlikkuse töökoormused

Need on töökoormused, mis testivad teie seadme jõudlust igapäevaste kriitiliste ülesannete täitmisel.

Failide tihendamine

Failide tihendamise töökoormused testivad, kui hästi teie seade suudab erinevaid pakkimisvorminguid kasutades faile tihendada ja lahti pakkida. See modelleerib juhtumeid, kus kasutaja võib andmemahu ja ribalaiuse vähendamiseks otsida faili kokkupakkimist, et see kellelegi teisele saata. See tihendab LZ4 ja ZSTD pakkimise abil Ruby 3.1.2 lähtearhiivi, mis on 75 MB arhiiv, mis sisaldab 9841 faili. Seejärel kontrollib see tihendatud faile SHA-1 räsi abil.

Need failid salvestatakse seejärel mällu krüptitud failisüsteemi abil ja see töökoormus kasutab juhiseid, mis kiirendavad AES-i krüptimist ja dekrüpteerimist. Samuti kasutab see juhiseid, mis kiirendavad SHA-1 räsimisalgoritme.

Navigeerimine

Kasutame navigeerimist kõikides seadmetes, eriti nutitelefonides. Navigeerimise töökoormuse eesmärk on luua juhiseid asukohtade jada vahel ja modelleerida inimesi, kes kasutavad võrguühenduseta režiimis selliseid rakendusi nagu Google Maps. See kasutab Dijkstra algoritmi 24 erineva marsruudi arvutamiseks kahel erineval OpenStreetMapi kaardil. Üks asub Ontarios Waterloos ja üks Torontos, Ontarios.

HTML5 brauser

HTML5-brauser avab hulga HTML5-lehti ja modelleerib kasutajat, kes sirvib veebi kaasaegses brauseris (nt Chrome või Safari). See kasutab peata brauserit ning avab, analüüsib, küljendab ja renderdab tekste ja pilte, mis põhinevad populaarsetel saitidel, sealhulgas Instagram, Wikipedia ja Ars Technica. See kasutab järgmisi teeke:

• Google Gumbo HTML-i parserina
• litehtml CSS-i parseri, paigutuse ja renderdusmootorina
• FreeType fondimootorina
• Anti-Grain Geometry kui 2D-graafika renderdamise raamatukogu
• libjpeg-turbo ja libpng kui pildikoodekid

See test renderdab kaheksa lehekülge ühetuumalises režiimis ja 32 lehekülge mitmetuumalises režiimis.

PDF-i renderdamine

PDF-i renderdamise töökoormus avab keerukaid PDF-dokumente kasutades PDFiumi, mis on Chrome'i PDF-renderdaja. See renderdab American National Park Service'i pargikaartide PDF-faile suurusega 897 kb kuni 1,5 MB. Need failid sisaldavad suuri vektorpilte, jooni ja teksti.

See test renderdab neli PDF-i ühetuumalises režiimis ja 16 PDF-i mitmetuumalises režiimis.

Fotokogu

Fotode korraldamise töökoormus kategoriseerib ja märgistab fotod nendes sisalduvate objektide alusel, võimaldades kasutajatel otsida oma fotosid pildikorraldaja rakendustes märksõna järgi. See kasutab MobileNet 1.0 fotode klassifitseerimiseks ja SQLite andmebaasi, et salvestada fotode metaandmed koos nende siltidega.

See töökoormus teeb iga foto jaoks järgmised toimingud.

1. Pakkige foto lahti tihendatud JPEG-failist.
2. Salvestage fotode metaandmed SQLite'i andmebaasis. See andmebaas on eeltäidetud enam kui 70 000 foto metaandmetega.
3. Looge eelvaate pisipilt ja kodeerige see JPEG-vormingus.
4. Looge järelduste pisipilt.
5. Käivitage järelduse pisipildil kujutise klassifitseerimismudel.
6. Salvestage piltide klassifikatsioonisildid SQLite'i andmebaasis.

Fototeegi töökoormus töötab ühetuumalises režiimis 16 fotol ja mitmetuumalises režiimis 64 fotol.

Geekbench 6 arendaja töökoormused

Geekbench 6 arendaja töökoormused mõõdavad, kui hästi teie seade saab hakkama tüüpiliste arendajaülesannetega, nagu teksti redigeerimine, koodide koostamine ja varade tihendamine.

Kõlisema

Clangi kompilaatorit kasutatakse Lua tõlgi kompileerimiseks, modelleerides oma koodi loovate arendajate kasutusjuhtumeid ja õigeaegset kompileerimist, mida kasutajad oma seadmetes sageli kogevad. See kasutab kompileeritud failide jaoks C standardteegina musl libc. See koostab kaheksa faili ühetuumalises ja 96 faili mitmetuumalises režiimis.

Teksti töötlemine

Tekstitöötlus laadib palju faile, analüüsib nende sisu regulaaravaldiste abil, salvestab metaandmed SQLite'i andmebaasi ja ekspordib sisu muusse vormingusse. See modelleerib tüüpilisi tekstitöötlusalgoritme, mis manipuleerivad, analüüsivad ja teisendavad andmeid avaldamise ja ülevaate saamiseks.

See töökoormus on rakendatud Pythoni ja C++ segus, kasutades Python 3.9.0 ja töötledes sisendiks 190 allahindlusfaili.

Varade tihendamine

Varade tihendamine tihendab 3D-tekstuurseid ja geomeetrilisi varasid, kasutades erinevaid populaarseid tihenduskoodekeid, nagu ASTC, BC7 ja DXT5. See modelleerib standardseid sisu tihendamise torujuhtmeid, mida mänguarendajad kasutavad.

Töökoormus kasutab oma BC&- ja DXTC-rakenduste jaoks bc7enci ning ASTC-rakenduse jaoks Arm ASTC Encoderit.

Masinõppe töökoormused

Masinõppe töökoormused mõõdavad peamiselt seda, kui hästi teie protsessor saab hakkama piltidel ja stseenidel olevate objektide tuvastamisega.

Objekti tuvastamine

Objektide tuvastamise töökoormus kasutab masinõpet, et saaks fotodel objekte tuvastada ja klassifitseerida. See kasutab fotodel objektide tuvastamiseks ja klassifitseerimiseks konvolutsioonilist närvivõrku nimega MobileNet v1 SSD ning fotode suurus on 300x300 pikslit. See teostab pildil objektide tuvastamiseks järgmisi samme.

1. Laadige foto
2. Eemaldage fotolt objektid MobileNet v1 SSD abil
3. Looge usaldus- või tuvastamisskoor, mis näitab tuvastamise täpsust
4. Joonistage objekti ümber piirdekast ja väljastage usaldusskoor

Objektituvastus töötleb 16 fotot ühetuumalises režiimis ja 64 fotot mitmetuumalises režiimis.

Tausta hägusus

Tausta hägustamise töökoormus eraldab videovoogudes esiplaani taustast ja hägustab tausta täpselt samamoodi nagu sellised teenused nagu Zoom, Discord ja Google Meet.

Pildi redigeerimine

Pilditöötluse töökoormus mõõdab, kui hästi teie protsessor saab hakkama nii lihtsate kui ka keerukate pilditöötlustega.

Objektide eemaldaja

Objektide eemaldaja töökoormus eemaldab objektid fotodelt ja täidab maha jäänud tühimiku, modelleerides sisuteadliku täitmise ja Google'i enda Magic Eraseri. Töökoormusele antakse soovimatu piirkonnaga 3 MP pilt ja töökoormus eemaldab selle piirkonna ja kasutab mahajäetud tühimiku rekonstrueerimiseks maalimisskeemi.

Horisondi tuvastamine

Horisondi tuvastamise töökoormus suudab fotode täiustamiseks tuvastada ja sirgendada ebaühtlasi või kõveraid horisondi jooni. See modelleerib horisondijoone korrektoreid fototöötlusrakendustes ja kasutab Canny servadetektorit Houghi teisenduse rakendamiseks horisondijoone tuvastamiseks. See kasutab sisendina 48 MP fotot.

Fotofilter

Fotofiltri töökoormus rakendab filtreid fotode välimuse parandamiseks, modelleerides tavalisi filtreid sotsiaalmeedia rakendustes, nagu Instagram. See rakendab 10 erinevale fotole järgmisi efekte, mille suurus on vahemikus 3 MP kuni 15 MP.

• Värvi- ja hägufiltrid
• Taseme reguleerimine
• Kärpimine ja skaleerimine
• Pildi koostamine

HDR

HDR-i töökoormus ühendab kuus tavalist fotot, et luua üks HDR-foto, mis on värviline ja elav. See modelleerib kaasaegsetes nutitelefonide kaamerarakendustes leiduvaid HDR-funktsioone, luues kuuest 16 MP tavalisest pildist ühe 16 MP HDR-pildi.

Pildi süntees

Need töökoormused mõõdavad, kuidas teie protsessor saab hakkama täiesti kunstlike piltide loomisega.

Kiirte jälgija

Kiirte jälgimine on moes ja seda saab kasutada fotorealistlike kujutiste genereerimiseks, modelleerides, kuidas valguskiired interakteeruvad objektidega virtuaalsetes stseenides. See modelleerib renderdusprotsesse, mida 3D-renderdustarkvara, nagu Blender või Cinema 4D, kasutaks.

Struktuur liikumisest

Liikumisest lähtuv struktuur on tehnika, mis genereerib 3D-geomeetria mitmest 2D-pildist. Liitreaalsussüsteemid kasutavad selliseid tehnikaid, et mõista reaalseid stseene. See töökoormus teeb samast stseenist üheksa 2D-pilti ja konstrueerib mõlemal pildil nähtavate punktide 3D-koordinaatide hinnangu.

Kuidas Geekbenchi alla laadida

Geekbench on üks peamisi võrdlusaluseid, mida inimesed kasutavad selliste seadmete testimiseks nagu parimad telefonid, sülearvutid ja tabletidja saate selle alla laadida saidilt Apple App Store, Google Play pood ja Primate Labsi veebisait.