Geekbench: Kuinka se todella toimii

Älypuhelimien ja tietokoneiden benchmarking sisältää laitteiden suorituskyvyn testaamisen muutamassa eri luokassa. Voit verrata erilaisia ​​mittareita, mukaan lukien graafinen suorituskyky, tekoäly ja laskenta. Geekbench on benchmark, josta on tullut benchmarking-maailman katkottua, ja se keskittyy ensisijaisesti laskemiseen. Geekbench 6 on uusin versio, mutta mikä se tarkalleen on? Mitä se testaa ja miten?

Mikä on Geekbench?

Geekbench on monialustainen benchmarking-sovellus, joka voi antaa pistemäärän sekä laitteesi yhden ytimen että usean ytimen laskentaominaisuuksille. Tätä arvoa voidaan käyttää vertailukohtana vierekkäisiin laitteisiin, ja se on kalibroitu a peruspistemäärä 2 500, joka Primate Labsin mukaan on Intel Corea varustetun Dell Precision 3460:n pistemäärä i7-12700. Tosin Geekbench 6 -pisteiden selaaminen näyttää viittaavan siihen, että kyseinen prosessori kerää vain hädin tuskin 2000 pistettä. yksiytiminen, mutta sen lisäksi lähtökohtana on, että 5000 pisteen saaneen laitteen sanotaan olevan kaksinkertainen suorituskykyyn verrattuna. i7-12700.

Geekbench 6:n tapauksessa se on Geekbench-benchmarking-sarjan uusin iteraatio, ja sen tavoitteena on mittaa älypuhelimesi ominaisuuksia tavoilla, joilla on todellisuudessa merkitystä minkä tahansa laitteen käytössä parhaat puhelimet.

• Suuremmat kuvat nykyaikaisilla älypuhelimilla otetuilla resoluutioilla (12-48MP)
• HTML-esimerkkejä edustavat nykyaikaisia ​​web-suunnittelustandardeja
• Suurempi kuvakirjasto tuontitestejä varten
• Suuremmat kartat navigointitesteihin
• Suurempia ja nykyaikaisempia PDF-esimerkkejä
• Clang-työkuorman koon kasvu

Siellä on myös GPU-laskentatestejä, ja se voi testata OpenCL-, metalli- ja Vulkan-ohjelmia. GPU-laskennan vertailuarvo käyttää koneoppimistyökuormia, kuten taustan sumennusta ja kasvojentunnistusta kohteen tunnistusominaisuuksien testaamiseen. Tämän lisäksi se suorittaa kuvankäsittelyn työkuormia, kuten horisontin havaitsemisen, reunan havaitsemisen ja Gaussin sumennuksen. Lopuksi on olemassa kuvasynteesin työkuormia, jotka suorittavat ominaisuussovituksen ja stereosovituksen, sekä simulaatiovertailu, joka simuloi hiukkasfysiikkaa.

Mitä alustoja Geekbench 6 tukee?

Geekbench 6 tukee seuraavia alustoja ja Windows on Arm -tukea joillekin parhaat kannettavat tietokoneet tulee Geekbench 6.1:n mukana:

Kuinka Geekbenchin suorittimen vertailuarvo toimii?

Geekbenchin suorittimen vertailuarvo on jaettu useisiin tärkeimpiin testeihin, joissa on yksiytiminen ja moniytiminen. Jokainen osa on ryhmitelty kahteen alaosioon: kokonaislukumäärät ja liukulukukuormat. Kunkin testin välillä on oletusarvoisesti kahden sekunnin välit, jotta lämpöongelmien vaikutus suorituskykyyn voidaan minimoida.

Geekbench 6 esitteli jaetun tehtävämallin monisäikeiseen testaukseen, jossa työmäärät jaetaan useiden säikeiden kesken realistisempien työkuormien edustamiseksi. Aikaisemmin Geekbench jakoi työtaakkaa yksittäisten säikeiden kesken, mikä skaalautuu hyvin, mutta tarjoaa hyvin vähän säikeiden välistä viestintää. Jaettujen tehtävämallien tapauksessa jokainen säie käsittelee osan suuremmasta jaetusta tehtävästä. Se ei skaalaudu yhtä hyvin, mutta edustaa enemmän todellisia käyttötapauksia.

Pisteet lasketaan käyttämällä alajaksopisteiden painotettua aritmeettista keskiarvoa kokonaisluvulla alajakson osuus 65% pisteistä ja liukuluku alajakson osuus loput 35 %.

Mitä tulee siihen, kuinka Geekbench testaa laitteesi piirisarjan kykyä, se testaa erityyppisiä työkuormia, jotka on jaettu luokkiin. Nämä luokat on jaettu tuottavuuteen, kehittäjiin, koneoppimiseen ja kuvasynteesiin.

Geekbench 6:n tuottavuuden työmäärät

Nämä ovat työkuormia, jotka testaavat, kuinka suorituskykyinen laitteesi on päivittäisissä kriittisissä tehtävissä.

Tiedoston pakkaus

Tiedostojen pakkaustyökuormat testaavat, kuinka hyvä laitteesi pakkaa ja purkaa tiedostoja eri pakkausformaatteja käyttäen. Se mallintaa tapauksia, joissa käyttäjä voi yrittää pakata tiedoston lähettääkseen jollekin toiselle tiedon ja kaistanleveyden vähentämiseksi. Se pakkaa Ruby 3.1.2 -lähdearkiston, joka on 75 Mt: n arkisto, joka sisältää 9 841 tiedostoa, käyttämällä LZ4- ja ZSTD-pakkausta. Sen jälkeen se tarkistaa pakatut tiedostot SHA-1-tiivisteellä.

Nämä tiedostot tallennetaan sitten käyttämällä muistissa olevaa salattua tiedostojärjestelmää, ja tämä työkuorma käyttää ohjeita, jotka nopeuttavat AES-salausta ja salauksen purkamista. Se käyttää myös ohjeita, jotka nopeuttavat SHA-1-hajautusalgoritmeja.

Navigointi

Käytämme navigointia kaikenlaisilla laitteilla, erityisesti älypuhelimilla. Navigointityökuorman tarkoituksena on luoda reittiohjeita eri sijaintien välillä ja mallintaa ihmisiä, jotka käyttävät sovelluksia, kuten Google Mapsia, offline-tilassa. Se laskee Dijkstran algoritmin avulla 24 eri reittiä kahdella eri OpenStreetMap-kartalla. Yksi on Waterloossa, Ontariossa, ja yksi Torontossa, Ontariossa.

HTML5-selain

HTML5-selain avaa useita HTML5-sivuja ja mallintaa käyttäjää, joka selaa verkkoa nykyaikaisella selaimella, kuten Chromella tai Safarilla. Se käyttää päätöntä selainta ja avaa, jäsentää, asettelee ja renderöi tekstejä ja kuvia suosittujen sivustojen, kuten Instagramin, Wikipedian ja Ars Technica. Se käyttää seuraavia kirjastoja:

• Google Gumbo HTML-jäsentimenä
• litehtml CSS-jäsentimenä, asetteluna ja renderöintimoottorina
• FreeType fonttimoottorina
• Anti-Grain Geometry 2D-grafiikkakirjastona
• libjpeg-turbo ja libpng kuvakoodekkeina

Tämä testi renderöi kahdeksan sivua yhden ytimen tilassa ja 32 sivua moniytimistilassa.

PDF renderöinti

PDF-renderöintityökuormitus avaa monimutkaisia ​​PDF-dokumentteja käyttämällä PDFiumia, joka on Chromen PDF-renderöijä. Se tuottaa PDF-tiedostoja American National Park Servicen puistokartoista, joiden koko vaihtelee 897 kb: sta 1,5 Mt: iin. Nämä tiedostot sisältävät suuria vektorikuvia, viivoja ja tekstiä.

Tämä testi renderöi neljä PDF-tiedostoa yhden ytimen tilassa ja 16 PDF-tiedostoa moniytimistilassa.

Valokuvakirjasto

Valokuvien järjestämisen työmäärä luokittelee ja merkitsee kuvat niiden sisältämien objektien perusteella, jolloin käyttäjät voivat etsiä kuviaan avainsanan perusteella kuvien järjestämissovelluksissa. Se käyttää MobileNet 1.0:aa kuvien luokitteluun ja SQLite-tietokantaa kuvien metatietojen tallentamiseen tunnisteidensa rinnalle.

Tämä työkuorma suorittaa seuraavat vaiheet jokaiselle valokuvalle:

1. Pura valokuva pakatusta JPEG-tiedostosta.
2. Tallenna valokuvien metatiedot SQLite-tietokantaan. Tämä tietokanta on esitäytetty metatiedoilla yli 70 000 valokuvasta.
3. Luo esikatselupikkukuva ja koodaa se JPEG-muodossa.
4. Luo päättelypikkukuva.
5. Suorita kuvien luokittelumalli päättelypikkukuvalle.
6. Tallenna kuvien luokitustunnisteet SQLite-tietokantaan.

Valokuvakirjaston työmäärä toimii 16 valokuvalla yhden ytimen tilassa ja 64 valokuvalla moniytimistilassa.

Geekbench 6 -kehittäjien työmäärät

Geekbench 6:n kehittäjien työmäärät mittaavat, kuinka hyvin laitteesi käsittelee tyypillisiä kehittäjätehtäviä, kuten tekstin muokkausta, koodin kokoamista ja sisällön pakkausta.

Kalahtaa

Clang-kääntäjää käytetään Lua-tulkin kääntämiseen. Se mallintaa koodiaan rakentavien kehittäjien käyttötapauksia ja juuri-in-time -käännöstä, jonka käyttäjät usein kokevat laitteissaan. Se käyttää musl libc: tä C-standardikirjastona käännetyille tiedostoille. Se kokoaa kahdeksan tiedostoa yhden ytimen ja 96 tiedostoa moniytimistilassa.

Tekstinkäsittely

Tekstinkäsittely lataa useita tiedostoja, jäsentää niiden sisällön säännöllisten lausekkeiden avulla, tallentaa metatiedot SQLite-tietokantaan ja vie sisällön eri muotoon. Se mallintaa tyypillisiä tekstinkäsittelyalgoritmeja, jotka käsittelevät, analysoivat ja muuntavat tietoja julkaisemista ja oivalluksia varten.

Tämä työkuormitus on toteutettu Pythonin ja C++:n sekoituksessa käyttäen Python 3.9.0:aa ja prosessoimalla 190 merkintätiedostoa syötettä varten.

Omaisuuden pakkaus

Omaisuuden pakkaus pakkaa 3D-tekstuuri- ja geometriset resurssit käyttämällä useita suosittuja pakkauskoodekkeja, kuten ASTC, BC7 ja DXT5. Se mallintaa pelinkehittäjien käyttämiä tavallisia sisällön pakkausputkia.

Työkuorma käyttää bc7enc: iä BC&- ja DXTC-toteutuksiinsa ja Arm ASTC Encoder ASTC-toteutuksiinsa.

Koneoppimisen työmäärät

Koneoppimisen työmäärät mittaavat ensisijaisesti sitä, kuinka hyvin suorittimesi pystyy tunnistamaan kuvissa ja kohtauksissa olevia kohteita.

Objektin tunnistus

Kohteentunnistuksen työkuorma hyödyntää koneoppimista, jotta se voi havaita ja luokitella kohteet valokuvissa. Se käyttää MobileNet v1 SSD -nimistä konvoluutiohermoverkkoa valokuvien kohteiden havaitsemiseen ja luokitteluun, ja valokuvat ovat kooltaan 300 x 300 pikseliä. Se suorittaa seuraavat vaiheet tunnistaakseen objektit kuvassa:

1. Lataa valokuva
2. Pura esineitä valokuvasta MobileNet v1 SSD: llä
3. Luo luottamus- tai havaitsemispisteet, jotka edustavat havainnon tarkkuutta
4. Piirrä objektin ympärille rajaava laatikko ja tulosta luottamuspisteet

Objektintunnistus käsittelee 16 valokuvaa yhden ytimen tilassa ja 64 valokuvaa moniytimistilassa.

Taustan hämärtyminen

Taustan sumennustyökuormitus erottaa etualan taustasta videostriimeissä ja sumentaa taustaa aivan kuten palvelut, kuten Zoom, Discord ja Google Meet, voivat tehdä.

Kuvan muokkaus

Kuvankäsittelyn työmäärät mittaavat, kuinka hyvin suorittimesi pystyy käsittelemään sekä yksinkertaisia ​​että monimutkaisia ​​kuvanmuokkauksia.

Esineiden poistoaine

Objektinpoistotyökuorma poistaa esineitä valokuvista ja täyttää jäljelle jääneen aukon mallintamalla sisältötietoisen täytön ja Googlen oman Magic Eraserin. Työkuormalle tarjotaan 3 megapikselin kuva, jossa on ei-toivottu alue, ja työkuorma poistaa tämän alueen ja käyttää maalauskaaviota jäljelle jääneen aukon rekonstruoimiseen.

Horisontin tunnistus

Horisontin tunnistuksen työkuorma voi havaita ja suoristaa epätasaisia ​​tai vinoja horisonttiviivoja kuvien parantamiseksi. Se mallintaa horisonttiviivan korjaimia valokuvankäsittelysovelluksissa ja käyttää Canny-reunailmaisinta Hough-muunnoksen havaitsemiseen horisonttiviivan havaitsemiseksi. Se käyttää 48 megapikselin valokuvaa tulona.

Valokuvasuodatin

Valokuvasuodattimen työmäärä käyttää suodattimia kuvan ulkoasun parantamiseksi ja mallintaa yleisiä suodattimia sosiaalisen median sovelluksissa, kuten Instagramissa. Se soveltaa seuraavia tehosteita 10 eri valokuvaan, joiden koko vaihtelee 3 MP: stä 15 MP: iin.

• Väri- ja sumennussuodattimet
• Tason säädöt
• Rajaus ja skaalaus
• Kuvan kompositio

HDR

HDR-työkuorma yhdistää kuusi tavallista valokuvaa yhdeksi HDR-kuvaksi, joka on värikäs ja eloisa. Se mallintaa HDR-ominaisuuksia, jotka löytyvät nykyaikaisista älypuhelinten kamerasovelluksista ja luo yhden 16 megapikselin HDR-kuvan kuudesta 16 megapikselin tavallisesta kuvasta.

Kuvan synteesi

Nämä työmäärät mittaavat, kuinka suorittimesi pystyy luomaan täysin keinotekoisia kuvia.

Säteen jäljitin

Säteenseuranta on muotia, ja sitä voidaan käyttää fotorealististen kuvien luomiseen mallintamalla, miten valonsäteet ovat vuorovaikutuksessa esineiden kanssa virtuaalisissa kohtauksissa. Tämä mallintaa renderöintiprosesseja, joita 3D-renderöintiohjelmistot, kuten Blender tai Cinema 4D, käyttäisivät.

Rakenne liikkeestä

Rakenne liikkeestä on tekniikka, joka luo 3D-geometriaa useista 2D-kuvista. Lisätyn todellisuuden järjestelmät käyttävät tällaisia ​​tekniikoita ymmärtääkseen tosielämän kohtauksia. Tämä työmäärä ottaa yhdeksän 2D-kuvaa samasta kohtauksesta ja muodostaa arvion molemmissa kuvissa näkyvien pisteiden 3D-koordinaateista.

Kuinka ladata Geekbench

Geekbench on yksi suosituimmista mittareista, jolla ihmiset testaavat laitteita, kuten parhaita puhelimia, kannettavia tietokoneita ja tabletteja, ja voit ladata sen osoitteesta Apple App Store, Google Play Kauppa ja Primate Labsin verkkosivuilla.