Geekbench: Comment ça marche réellement

L'analyse comparative des smartphones et des ordinateurs implique de tester les performances des appareils dans quelques catégories différentes. Vous pouvez comparer différentes mesures, notamment les performances graphiques, l'intelligence artificielle et le calcul. Geekbench est un benchmark devenu incontournable dans le monde du benchmarking, et il est principalement axé sur le calcul. Geekbench 6 est la dernière version, mais de quoi s'agit-il exactement? Que teste-t-il et comment ?

Qu’est-ce que Geekbench?

Geekbench est une application d'analyse comparative multiplateforme qui peut attribuer un score aux capacités de calcul monocœur et multicœur de votre appareil. Ce score peut être utilisé comme point de comparaison avec des appareils adjacents et est calibré par rapport à un score de base de 2 500, qui, selon Primate Labs, est le score d'un Dell Precision 3460 avec un processeur Intel Core i7-12700. Certes, parcourir les scores de Geekbench 6 semble indiquer que ce processeur particulier n'a qu'à peine gratté 2000 points en monocœur, mais à part cela, le principe est qu'un appareil qui obtient un score de 5 000 aurait deux fois les performances du i7-12700.

Dans le cas de Geekbench 6, il s'agit de la dernière itération de la suite d'analyse comparative Geekbench, et elle vise à mesurez les capacités de votre smartphone de la manière qui compte réellement lorsqu'il s'agit d'utiliser l'un des meilleurs téléphones.

• Des photos plus grandes dans les résolutions capturées par les smartphones modernes (12-48MP)
• Exemples HTML représentatifs des normes de conception Web modernes
• Une plus grande bibliothèque d'images pour les tests d'importation
• Cartes plus grandes pour les tests de navigation
• Exemples de PDF plus grands et plus modernes
• Une augmentation de la taille de la charge de travail Clang

Il existe également des tests de calcul GPU, et il peut tester OpenCL, Metal et Vulkan. Le benchmark de calcul GPU utilise des charges de travail d'apprentissage automatique telles que le flou d'arrière-plan et la détection de visage pour tester les capacités de reconnaissance d'objets. En plus de cela, il exécute des charges de travail d'édition d'images, telles que la détection d'horizon, la détection de contours et le flou gaussien. Enfin, il existe des charges de travail de synthèse d'images qui exécutent la correspondance de caractéristiques et la correspondance stéréo, ainsi qu'un benchmark de simulation qui simule la physique des particules.

Quelles plateformes Geekbench 6 prend-il en charge?

Geekbench 6 prend en charge les plates-formes suivantes, avec la prise en charge de Windows on Arm pour certains des meilleurs ordinateurs portables devrait venir avec Geekbench 6.1 :

Comment fonctionne le benchmark CPU de Geekbench?

Le benchmark CPU de Geekbench est divisé en un certain nombre de tests clés comportant une section monocœur et multicœur. Chaque section est regroupée en deux sous-sections: charges de travail entières et charges de travail en virgule flottante. Il existe par défaut un intervalle de deux secondes entre chaque test afin de minimiser l'effet des problèmes thermiques sur les performances.

Geekbench 6 a introduit un modèle de tâches partagées pour les tests multithreading, dans lequel les charges de travail sont partagées sur plusieurs threads afin de représenter des charges de travail plus réalistes. Auparavant, Geekbench répartissait les charges de travail sur des threads individuels, ce qui évoluait bien mais offrait très peu de communication entre les threads. Dans le cas des modèles de tâches partagées, chaque thread traite une partie d'une tâche partagée plus vaste. Il n'est pas aussi évolutif mais est plus représentatif des cas d'utilisation réels.

Les scores sont calculés à l’aide d’une moyenne arithmétique pondérée des scores des sous-sections, avec le nombre entier sous-section représentant 65 % du score et la sous-section à virgule flottante représentant le 35% restants.

Quant à la façon dont Geekbench teste les capacités du chipset de votre appareil, il teste différents types de charges de travail réparties en catégories. Ces catégories sont divisées en productivité, développeur, apprentissage automatique et synthèse d'images.

Geekbench 6 Charges de travail de productivité

Il s'agit de charges de travail qui testent la performance de votre appareil lors des tâches critiques quotidiennes.

Compression de fichiers

Les charges de travail de compression de fichiers testent la capacité de votre appareil à compresser et décompresser des fichiers à l'aide de différents formats de compression. Il modélise des cas d'utilisation dans lesquels un utilisateur peut chercher à compresser un fichier pour l'envoyer à quelqu'un d'autre afin de réduire les données et la bande passante. Il compresse l'archive source Ruby 3.1.2, qui est une archive de 75 Mo contenant 9 841 fichiers, en utilisant la compression LZ4 et ZSTD. Il vérifie ensuite les fichiers compressés via un hachage SHA-1.

Ces fichiers sont ensuite stockés à l'aide d'un système de fichiers chiffré en mémoire, et cette charge de travail utilise des instructions qui accélèrent le chiffrement et le déchiffrement AES. Il utilise également des instructions qui accélèrent les algorithmes de hachage SHA-1.

La navigation

Nous utilisons la navigation sur toutes sortes d'appareils, en particulier les smartphones. La charge de travail de navigation vise à générer des directions entre une séquence d'emplacements et à modéliser les personnes utilisant des applications telles que Google Maps en mode hors ligne. Il utilise l'algorithme de Dijkstra pour calculer 24 itinéraires différents sur deux cartes OpenStreetMap différentes. L'un se trouve à Waterloo, en Ontario, et l'autre à Toronto, en Ontario.

Navigateur HTML5

Le navigateur HTML5 ouvre un certain nombre de pages HTML5 et modélise un utilisateur naviguant sur le Web dans un navigateur moderne tel que Chrome ou Safari. Il utilise un navigateur sans tête et ouvre, analyse, présente et restitue des textes et des images basés sur des sites populaires, notamment Instagram, Wikipédia et Ars Technica. Il utilise les bibliothèques suivantes :

• Google Gumbo comme analyseur HTML
• litehtml comme analyseur CSS, moteur de mise en page et de rendu
• FreeType comme moteur de polices
• Anti-Grain Geometry comme bibliothèque de rendu graphique 2D
• libjpeg-turbo et libpng comme codecs d'image

Ce test restitue huit pages en mode monocœur et 32 ​​pages en mode multicœur.

Rendu PDF

La charge de travail de rendu PDF ouvre des documents PDF complexes à l'aide de PDFium, le moteur de rendu PDF de Chrome. Il restitue des PDF de cartes de parcs de l'American National Park Service, avec des tailles allant de 897 Ko à 1,5 Mo. Ces fichiers contiennent de grandes images vectorielles, des lignes et du texte.

Ce test restitue quatre PDF en mode monocœur et 16 PDF en mode multicœur.

Galerie de photos

La charge de travail d'organisation des photos catégorise et étiquette les photos en fonction des objets qu'elles contiennent, permettant aux utilisateurs de rechercher leurs photos par mot-clé dans les applications d'organisation d'images. Il utilise MobileNet 1.0 pour classer les photos et une base de données SQLite pour stocker les métadonnées des photos à côté de leurs balises.

Cette charge de travail effectue les étapes suivantes pour chaque photo :

1. Décompressez la photo à partir d'un fichier JPEG compressé.
2. Stockez les métadonnées des photos dans une base de données SQLite. Cette base de données est pré-remplie avec des métadonnées pour plus de 70 000 photos.
3. Générez une vignette d’aperçu et encodez-la au format JPEG.
4. Générez une vignette d'inférence.
5. Exécutez un modèle de classification d'image sur la vignette d'inférence.
6. Stockez les balises de classification d'images dans une base de données SQLite.

La charge de travail de la photothèque fonctionne sur 16 photos en mode monocœur et 64 photos en mode multicœur.

Charges de travail des développeurs Geekbench 6

Les charges de travail des développeurs dans Geekbench 6 mesurent dans quelle mesure votre appareil gère les tâches de développement typiques telles que l'édition de texte, la compilation de code et la compression des actifs.

Bruit

Le compilateur Clang est utilisé pour compiler l'interpréteur Lua, modélisant le cas d'utilisation des développeurs créant leur code et la compilation juste à temps que les utilisateurs rencontreront fréquemment sur leurs appareils. Il utilise musl libc comme bibliothèque standard C pour les fichiers compilés. Il compile huit fichiers en mode monocœur et 96 fichiers en mode multicœur.

Traitement de texte

Le traitement de texte charge de nombreux fichiers, analyse leur contenu à l'aide d'expressions régulières, stocke les métadonnées dans une base de données SQLite et exporte le contenu dans un format différent. Il modélise des algorithmes de traitement de texte typiques qui manipulent, analysent et transforment les données à des fins de publication et d'obtention d'informations.

Cette charge de travail est implémentée dans un mélange de Python et C++, en utilisant Python 3.9.0 et en traitant 190 fichiers de démarques pour l'entrée.

Compression des actifs

La compression des ressources compresse les ressources texturées et géométriques 3D à l'aide d'une variété de codecs de compression populaires tels que ASTC, BC7 et DXT5. Il modélise les pipelines de compression de contenu standard utilisés par les développeurs de jeux.

La charge de travail utilise bc7enc pour ses implémentations BC& et DXTC, et Arm ASTC Encoder pour son implémentation ASTC.

Charges de travail d'apprentissage automatique

Les charges de travail d'apprentissage automatique mesurent principalement la capacité de votre processeur à gérer la reconnaissance des objets dans les images et les scènes.

Détection d'objet

La charge de travail de détection d'objets utilise l'apprentissage automatique pour pouvoir détecter et classer des objets dans les photos. Il utilise un réseau neuronal convolutif appelé MobileNet v1 SSD pour détecter et classer les objets dans les photos, et les photos sont dimensionnées à 300 x 300 pixels. Il effectue les étapes suivantes pour identifier les objets dans une image :

1. Charger la photo
2. Extraire des objets de la photo à l'aide du SSD MobileNet v1
3. Générer un score de confiance ou de détection qui représente l'exactitude de la détection
4. Dessinez un cadre de délimitation autour de l'objet et affichez un score de confiance

La détection d'objets traite 16 photos en mode monocœur et 64 photos en mode multicœur.

Flou d'arrière-plan

La charge de travail de flou d'arrière-plan sépare le premier plan de l'arrière-plan dans les flux vidéo et rend l'arrière-plan flou, tout comme ce que peuvent faire des services tels que Zoom, Discord et Google Meet.

L'édition d'image

Les charges de travail d'édition d'images mesurent la capacité de votre processeur à gérer les modifications d'images simples et complexes.

Suppresseur d'objet

La charge de travail de suppression d'objets supprime les objets des photos et comble le vide laissé, en modélisant un remplissage sensible au contenu et la propre gomme magique de Google. La charge de travail reçoit une image 3 MP avec une région indésirable, et la charge de travail supprime cette région et utilise un schéma d'inpainting pour reconstruire l'espace laissé derrière.

Détection d'horizon

La charge de travail de détection d'horizon peut détecter et redresser les lignes d'horizon inégales ou tordues afin d'améliorer les photos. Il modélise les correcteurs de ligne d'horizon dans les applications de retouche photo et utilise le détecteur de bord Canny pour appliquer une transformation de Hough afin de détecter la ligne d'horizon. Il utilise une photo de 48 MP comme entrée.

Filtre photo

La charge de travail des filtres photo applique des filtres pour améliorer l’apparence des photos, en modélisant les filtres courants dans les applications de médias sociaux comme Instagram. Il applique les effets suivants à 10 photos différentes, avec des photos allant de 3MP à 15MP.

• Filtres de couleur et de flou
• Ajustements de niveau
• Recadrage et mise à l'échelle
• Composition d'images

HDR

La charge de travail HDR mélange six photos ordinaires pour créer une seule photo HDR colorée et vibrante. Il modélise les fonctionnalités HDR trouvées dans les applications modernes d'appareil photo pour smartphone, créant une seule image HDR de 16 MP à partir de six images régulières de 16 MP.

Synthèse d'images

Ces charges de travail mesurent la manière dont votre processeur peut gérer la création d'images entièrement artificielles.

Traceur de rayons

Le lancer de rayons fait fureur et peut être utilisé pour générer des images photoréalistes en modélisant la manière dont les rayons lumineux interagissent avec les objets dans des scènes virtuelles. Cela modélise les processus de rendu que les logiciels de rendu 3D comme Blender ou Cinema 4D utiliseraient.

Structure à partir du mouvement

La structure à partir du mouvement est une technique qui génère une géométrie 3D à partir de plusieurs images 2D. Les systèmes de réalité augmentée utilisent des techniques comme celles-ci pour comprendre les scènes du monde réel. Cette charge de travail prend neuf images 2D de la même scène et construit une estimation des coordonnées 3D des points visibles dans les deux images.

Comment télécharger Geekbench

Geekbench est l'une des références incontournables que les gens utilisent pour tester des appareils tels que les meilleurs téléphones, ordinateurs portables et comprimés, et vous pouvez le télécharger depuis le Apple App Store, le Google Play Store et le site Web de Primate Labs.