Geekbench: Hogyan működik valójában

Az okostelefonok és számítógépek teljesítményértékelése magában foglalja az eszközök teljesítményének tesztelését néhány különböző kategóriában. Összehasonlíthat különféle mutatókat, beleértve a grafikus teljesítményt, a mesterséges intelligenciát és a számításokat. A Geekbench egy benchmark, amely a benchmarking világ alapvető elemévé vált, és elsősorban a számításokra összpontosít. A Geekbench 6 a legújabb verzió, de mi is ez pontosan? Mit tesztel, és hogyan?

Mi az a Geekbench?

A Geekbench egy többplatformos benchmarking alkalmazás, amely az eszköz egymagos és többmagos számítási képességeihez is képes pontszámot rendelni. Ez a pontszám összehasonlítási pontként használható a szomszédos eszközökhöz, és a 2500-as alappontszám, ami a Primate Labs szerint egy Intel Core-os Dell Precision 3460 pontszáma. i7-12700. Igaz, a Geekbench 6 pontszámai között böngészve úgy tűnik, hogy az adott CPU alig kapart 2000 pontot. egymagos, de ettől eltekintve az a feltevés, hogy egy 5000 pontot elérő eszköz állítólag kétszer akkora teljesítményű, mint a i7-12700.

A Geekbench 6 esetében ez a Geekbench benchmarking csomag legújabb iterációja, és célja, hogy mérje meg okostelefonja képességeit olyan módokon, amelyek valóban számítanak a használat során legjobb telefonok.

• Nagyobb fotók modern okostelefonokkal rögzített felbontásban (12-48MP)
• HTML példák, amelyek a modern webdesign szabványokat reprezentálják
• Nagyobb képtár az importálási tesztekhez
• Nagyobb térképek a navigációs tesztekhez
• Nagyobb és modernebb PDF-példák
• A Clang munkaterhelésének növekedése

Vannak GPU számítási tesztek is, és tesztelheti az OpenCL-t, a Metalt és a Vulkan-t. A GPU számítási benchmark olyan gépi tanulási munkaterheléseket használ, mint a háttér elmosása és az arcfelismerés az objektumfelismerési képességek tesztelésére. Ezen felül képszerkesztési feladatokat is futtat, például horizontérzékelést, élészlelést és Gauss-elmosódást. Végül léteznek olyan képszintézis munkaterhelések, amelyek funkcióillesztést és sztereó illesztést hajtanak végre, valamint egy szimulációs benchmark, amely szimulálja a részecskefizikát.

Milyen platformokat támogat a Geekbench 6?

A Geekbench 6 a következő platformokat támogatja, a Windows on Arm támogatással néhányhoz legjobb laptopok a Geekbench 6.1-hez érkezik:

Hogyan működik a Geekbench CPU benchmarkja?

A Geekbench CPU-benchmarkja számos kulcsfontosságú tesztre oszlik, amelyek egymagos és többmagos részből állnak. Minden szakasz két alszakaszra van csoportosítva: egészszámú munkaterhelések és lebegőpontos munkaterhelések. Az egyes tesztek között alapértelmezés szerint két másodperces hézagok vannak, hogy minimálisra csökkentsék a termikus problémák teljesítményre gyakorolt ​​hatását.

A Geekbench 6 bevezetett egy megosztott feladatmodellt a többszálú teszteléshez, ahol a munkaterhelések több szál között vannak megosztva a valósághűbb munkaterhelések megjelenítése érdekében. Korábban a Geekbench megosztotta a munkaterhelést az egyes szálak között, ami jól skálázható, de nagyon kevés szálak közötti kommunikációt kínál. Megosztott feladatmodellek esetén minden szál egy nagyobb megosztott feladat egy részét dolgozza fel. Nem skálázódik olyan jól, de jobban reprezentálja a valós használati eseteket.

A pontszámok kiszámítása az alszakasz pontszámainak súlyozott számtani átlagával történik, egész számmal alszakasz, amely a pontszám 65%-át teszi ki, és a lebegőpontos alszakasz a maradék 35%.

Ami azt illeti, hogy a Geekbench hogyan teszteli az eszköz lapkakészletének képességét, különböző típusú munkaterheléseket tesztel kategóriákra bontva. Ezek a kategóriák produktivitásra, fejlesztőre, gépi tanulásra és képszintézisre vannak osztva.

Geekbench 6 termelékenységi terhelések

Ezek olyan munkaterhelések, amelyek azt tesztelik, hogy készüléke mennyire teljesítőképes a mindennapi kritikus feladatoknál.

Fájltömörítés

A fájltömörítési munkaterhelések azt tesztelik, hogy készüléke mennyire képes tömöríteni és kicsomagolni a fájlokat különböző tömörítési formátumokkal. Olyan eseteket modellez, amikor a felhasználó megpróbálhatja tömöríteni a fájlt, hogy elküldje valaki másnak az adatforgalom és a sávszélesség csökkentése érdekében. LZ4 és ZSTD tömörítéssel tömöríti a Ruby 3.1.2 forrásarchívumot, amely egy 75 MB-os archívum, amely 9841 fájlt tartalmaz. Ezután SHA-1 hash segítségével ellenőrzi a tömörített fájlokat.

Ezeket a fájlokat ezután egy memórián belüli titkosított fájlrendszer tárolja, és ez a munkaterhelés olyan utasításokat használ, amelyek felgyorsítják az AES titkosítást és visszafejtést. Olyan utasításokat is használ, amelyek felgyorsítják az SHA-1 kivonatolási algoritmusokat.

Navigáció

A navigációt mindenféle eszközön, különösen okostelefonokon használjuk. A navigációs munkaterhelés célja, hogy útvonalterveket generáljon a helyek sorozata között, és modellezze az embereket, akik olyan alkalmazásokat használnak, mint a Google Térkép offline módban. A Dijkstra algoritmusát használja 24 különböző útvonal kiszámításához két különböző OpenStreetMap térképen. Az egyik az ontariói Waterlooban, a másik pedig az ontariói Torontóban található.

HTML5 böngésző

A HTML5-böngésző számos HTML5-oldalt nyit meg, és modellezi a felhasználót, aki modern böngészőben, például Chrome-ban vagy Safariban böngészik az interneten. Fej nélküli böngészőt használ, és megnyitja, elemzi, elrendezi és megjeleníti a szövegeket és képeket olyan népszerű webhelyek alapján, mint az Instagram, a Wikipedia és Ars Technica. A következő könyvtárakat használja:

• Google Gumbo, mint HTML-elemző
• litehtml, mint a CSS elemző, elrendezés és megjelenítő motor
• FreeType betűtípus motorként
• Anti-Grain Geometry, mint a 2D grafikus renderelő könyvtár
• libjpeg-turbo és libpng mint képkodek

Ez a teszt nyolc oldalt jelenít meg egymagos módban és 32 oldalt többmagos módban.

PDF renderelés

A PDF-megjelenítési munkaterhelés összetett PDF-dokumentumokat nyit meg a PDFium segítségével, amely a Chrome PDF-megjelenítője. PDF-formátumban jeleníti meg az American National Park Service-től származó parktérképeket, 897 kb és 1,5 MB közötti méretben. Ezek a fájlok nagyméretű vektorképeket, vonalakat és szöveget tartalmaznak.

Ez a teszt négy PDF-et jelenít meg egymagos módban és 16 PDF-et többmagos módban.

Fotótár

A fotószervezési munkaterhelés a fényképeket a bennük lévő objektumok alapján kategorizálja és címkézi, így a felhasználók kulcsszavak alapján kereshetnek fotóikon a képszervező alkalmazásokban. A MobileNet 1.0 segítségével osztályozza a fényképeket, és egy SQLite adatbázist használ a fotók metaadatainak tárolására a címkéik mellett.

Ez a munkaterhelés a következő lépéseket hajtja végre az egyes fényképek esetében:

1. Tömörítse ki a fényképet egy tömörített JPEG fájlból.
2. Tárolja a fényképek metaadatait egy SQLite adatbázisban. Ez az adatbázis több mint 70 000 fénykép metaadataival van előre feltöltve.
3. Hozzon létre egy előnézeti bélyegképet, és kódolja JPEG formátumban.
4. Következtetési miniatűr létrehozása.
5. Futtasson le egy képosztályozási modellt a következtetés bélyegképén.
6. Tárolja a képosztályozási címkéket egy SQLite adatbázisban.

A fotókönyvtár munkaterhelése 16 fotón működik egymagos módban és 64 fotón többmagos módban.

Geekbench 6 fejlesztői munkaterhelések

A Geekbench 6 fejlesztői munkaterhelése azt méri, hogy az eszköz milyen jól kezeli a tipikus fejlesztői feladatokat, például a szövegszerkesztést, a kódfordítást és az eszköztömörítést.

Csengés

A Clang fordító a Lua interpreter fordítására szolgál, modellezve a kódjukat építő fejlesztők használati eseteit és a just-in-time fordítást, amelyet a felhasználók gyakran tapasztalnak eszközeiken. A musl libc-t használja C szabványos könyvtárként a lefordított fájlokhoz. Nyolc fájlt állít össze egymagos és 96 fájlt többmagos módban.

Szövegfeldolgozás

A szövegfeldolgozás számos fájlt betölt, azok tartalmát reguláris kifejezésekkel elemzi, a metaadatokat egy SQLite adatbázisban tárolja, és a tartalmat más formátumba exportálja. Tipikus szövegfeldolgozó algoritmusokat modellez, amelyek manipulálják, elemzik és átalakítják az adatokat publikálás és betekintés céljából.

Ez a munkaterhelés a Python és a C++ keverékében van megvalósítva, a Python 3.9.0 használatával és 190 leértékelési fájl feldolgozásával.

Eszköztömörítés

Az eszköztömörítés a 3D texturális és geometriai eszközöket számos népszerű tömörítési kodek, például ASTC, BC7 és DXT5 segítségével tömöríti. Modellezi a játékfejlesztők által használt szabványos tartalomtömörítési folyamatokat.

A munkaterhelés a bc7enc-et használja BC& és DXTC-megvalósításaihoz, és Arm ASTC Encoder-t az ASTC-megvalósításához.

Gépi tanulási munkaterhelések

A gépi tanulási munkaterhelések elsősorban azt mérik, hogy a CPU mennyire képes kezelni a képekben és jelenetekben lévő objektumok felismerését.

Tárgyérzékelés

Az objektumészlelési munkaterhelés gépi tanulást használ, így képes észlelni és osztályozni a fényképeken lévő objektumokat. A MobileNet v1 SSD nevű konvolúciós neurális hálózatot használja a fényképeken lévő objektumok észlelésére és osztályozására, a fotók mérete pedig 300x300 pixel. A következő lépéseket hajtja végre a képen lévő objektumok azonosításához:

1. Töltse be a fényképet
2. A MobileNet v1 SSD segítségével bontsa ki az objektumokat a fényképből
3. Hozzon létre egy megbízhatósági vagy észlelési pontszámot, amely az észlelés pontosságát jelzi
4. Rajzoljon egy határolókeretet az objektum köré, és adja ki a megbízhatósági pontszámot

Az objektumészlelés egymagos módban 16, többmagos módban pedig 64 fényképet dolgoz fel.

Elmosódott háttér

A háttérelmosás munkaterhelése elválasztja az előteret a háttértől a videofolyamokban, és elhomályosítja a hátteret, éppúgy, mint az olyan szolgáltatások, mint a Zoom, a Discord és a Google Meet.

Képszerkesztés

A képszerkesztési munkaterhelés azt méri, hogy a CPU mennyire képes kezelni az egyszerű és összetett képszerkesztéseket egyaránt.

Tárgyeltávolító

Az objektumeltávolító munkaterhelése eltávolítja az objektumokat a fényképekről, és kitölti a hátrahagyott rést, modellezve a tartalomtudatos kitöltést és a Google saját Magic Eraser-jét. A munkaterhelés egy 3 MP-es képet kap egy nemkívánatos régióval, és a munkaterhelés eltávolítja ezt a régiót, és egy befestési sémát használ a hátrahagyott rés rekonstruálására.

Horizont érzékelés

A horizontérzékelés munkaterhelése képes észlelni és kiegyenesíteni az egyenetlen vagy ferde horizontvonalakat a fényképek javítása érdekében. Horizontvonal-korrekciókat modellez a fotószerkesztő alkalmazásokban, és a Canny élérzékelőt használja a Hough-transzformáció alkalmazására a horizontvonal észleléséhez. Bemenetként 48 MP-es fényképet használ.

Fotószűrő

A fotószűrő munkaterhelése szűrőket alkalmaz a fotók megjelenésének javítása érdekében, modellezve a közösségi média alkalmazásokban, például az Instagramban szokásos szűrőket. A következő effektusokat alkalmazza 10 különböző fényképre, amelyek mérete 3 MP-től 15 MP-ig terjed.

• Szín és elmosódás szűrők
• Szintbeállítások
• Vágás és méretezés
• Képkompozíció

HDR

A HDR munkaterhelés hat normál fényképet ötvöz, hogy egyetlen színes és élénk HDR-fotót hozzon létre. A modern okostelefon-kameraalkalmazásokban megtalálható HDR-funkciókat modellezi, egyetlen 16 MP-es HDR-képet hozva létre hat 16 MP-es normál képből.

Képszintézis

Ezek a munkaterhelések azt mérik, hogy a CPU hogyan képes kezelni a teljesen mesterséges képek létrehozását.

Ray nyomkövető

A sugárkövetés nagy divat, és felhasználható fotorealisztikus képek készítésére, modellezve, hogy a fénysugarak hogyan kölcsönhatásba lépnek a tárgyakkal a virtuális jelenetekben. Ez modellezi azokat a renderelési folyamatokat, amelyeket a 3D renderelő szoftverek, például a Blender vagy a Cinema 4D használnak.

Szerkezet mozgásból

A mozgásból való szerkezet olyan technika, amely több 2D képből 3D geometriát állít elő. A kiterjesztett valóság rendszerek az ehhez hasonló technikákat alkalmazzák a való világ jeleneteinek megértéséhez. Ez a munkaterhelés kilenc 2D képet készít ugyanarról a jelenetről, és becslést készít a mindkét képen látható pontok 3D koordinátáiról.

Hogyan tölthető le a Geekbench

A Geekbench az egyik legjobb benchmark, amelyet az emberek olyan eszközök tesztelésére használnak, mint a legjobb telefonok, laptopok és tabletek, és letöltheti a webhelyről Apple App Store, a Google Play Áruház és a Primate Labs weboldalán.