Geekbench: Cara kerjanya sebenarnya

Membandingkan ponsel cerdas dan komputer melibatkan pengujian kinerja perangkat dalam beberapa kategori berbeda. Anda dapat membandingkan berbagai metrik berbeda, termasuk kinerja grafis, kecerdasan buatan, dan komputasi. Geekbench adalah tolok ukur yang telah menjadi pokok dalam dunia tolok ukur, dan fokus utamanya adalah pada komputasi. Geekbench 6 adalah versi terbaru, tapi apa sebenarnya itu? Apa yang diuji, dan bagaimana caranya?

Apa itu Geekbench?

Geekbench adalah aplikasi benchmarking lintas platform yang dapat mengatribusikan skor pada kemampuan komputasi single-core dan multi-core pada perangkat Anda. Skor ini dapat digunakan sebagai titik perbandingan terhadap perangkat yang berdekatan dan dikalibrasi terhadap a skor dasar 2.500, yang menurut Primate Labs adalah skor Dell Precision 3460 dengan Intel Core i7-12700. Memang benar, menelusuri skor Geekbench 6 tampaknya menunjukkan bahwa CPU tertentu hanya menghasilkan 2000 poin. single-core, tapi selain itu, premisnya adalah bahwa perangkat yang mendapat skor 5000 dikatakan memiliki kinerja dua kali lipat dari i7-12700.

Dalam kasus Geekbench 6, ini adalah iterasi terbaru dari rangkaian benchmarking Geekbench, dan bertujuan untuk mengukur kemampuan ponsel cerdas Anda dengan cara yang benar-benar penting saat menggunakan salah satu dari itu telepon terbaik.

• Foto lebih besar dalam resolusi yang diambil oleh smartphone modern (12-48MP)
• Contoh HTML mewakili standar desain web modern
• Pustaka gambar yang lebih besar untuk pengujian impor
• Peta yang lebih besar untuk tes navigasi
• Contoh PDF yang lebih besar dan modern
• Peningkatan ukuran beban kerja Clang

Ada tes komputasi GPU juga, dan bisa menguji OpenCL, Metal, dan Vulkan. Tolok ukur komputasi GPU memanfaatkan beban kerja pembelajaran mesin seperti keburaman latar belakang dan deteksi wajah untuk menguji kemampuan pengenalan objek. Selain itu, ia menjalankan beban kerja pengeditan gambar, seperti deteksi cakrawala, deteksi tepi, dan Gaussian blur. Terakhir, terdapat beban kerja sintesis gambar yang menjalankan pencocokan fitur dan pencocokan stereo, serta tolok ukur simulasi yang menyimulasikan fisika partikel.

Platform apa yang didukung Geekbench 6?

Geekbench 6 mendukung platform berikut, dengan dukungan Windows on Arm untuk beberapa di antaranya laptop terbaik diatur untuk datang dengan Geekbench 6.1:

Bagaimana cara kerja benchmark CPU Geekbench?

Benchmark CPU Geekbench dipecah menjadi beberapa tes utama yang memiliki bagian single-core dan multi-core. Setiap bagian dikelompokkan menjadi dua subbagian: beban kerja integer dan beban kerja floating point. Terdapat jeda dua detik antara setiap pengujian secara default untuk meminimalkan dampak masalah termal terhadap kinerja.

Geekbench 6 memperkenalkan model tugas bersama untuk pengujian multithreading, di mana beban kerja dibagi ke beberapa thread untuk mewakili beban kerja yang lebih realistis. Sebelumnya, Geekbench menyebarkan beban kerja ke seluruh thread individual, yang berskala baik tetapi menawarkan komunikasi antar-thread yang sangat sedikit. Dalam kasus model tugas bersama, setiap thread memproses bagian dari tugas bersama yang lebih besar. Skala ini tidak terlalu besar, tetapi lebih mewakili kasus penggunaan di dunia nyata.

Skor dihitung menggunakan rata-rata aritmatika tertimbang dari skor subbagian, dengan bilangan bulat subbagian menyumbang 65% dari skor dan subbagian floating point menghitung tersisa 35%.

Adapun cara Geekbench menguji kemampuan chipset perangkat Anda, menguji berbagai jenis beban kerja yang dibagi ke dalam beberapa kategori. Kategori ini dibagi menjadi produktivitas, pengembang, pembelajaran mesin, dan sintesis gambar.

Geekbench 6 Beban kerja produktivitas

Ini adalah beban kerja yang menguji seberapa performatif perangkat Anda dalam tugas-tugas penting sehari-hari.

Kompresi berkas

Beban kerja kompresi file menguji seberapa baik perangkat Anda dalam mengompresi dan mendekompresi file menggunakan format kompresi yang berbeda. Ini memodelkan kasus penggunaan di mana pengguna mungkin ingin mengompresi file untuk dikirim ke orang lain guna mengurangi data dan bandwidth. Ini mengompresi arsip sumber Ruby 3.1.2, yang merupakan arsip 75MB yang berisi 9.841 file, menggunakan kompresi LZ4 dan ZSTD. Kemudian memverifikasi file terkompresi melalui hash SHA-1.

File-file ini kemudian disimpan menggunakan sistem file terenkripsi dalam memori, dan beban kerja ini menggunakan instruksi yang mempercepat enkripsi dan dekripsi AES. Ia juga menggunakan instruksi yang mempercepat algoritma hashing SHA-1.

Navigasi

Kami menggunakan navigasi di semua jenis perangkat, terutama ponsel cerdas. Beban kerja navigasi bertujuan untuk menghasilkan petunjuk arah antara serangkaian lokasi, dan memodelkan orang yang menggunakan aplikasi seperti Google Maps dalam mode offline. Ia menggunakan algoritma Dijkstra untuk menghitung 24 rute berbeda pada dua peta OpenStreetMap yang berbeda. Satu di Waterloo, Ontario, dan satu lagi di Toronto, Ontario.

Peramban HTML5

Browser HTML5 membuka sejumlah halaman HTML5 dan memodelkan pengguna menjelajahi web di browser modern seperti Chrome atau Safari. Ia menggunakan browser tanpa kepala dan membuka, mem-parsing, menata letak, dan merender teks dan gambar berdasarkan situs populer, termasuk Instagram, Wikipedia, dan Ars Teknika. Ini menggunakan perpustakaan berikut:

• Google Gumbo sebagai pengurai HTML
• litehtml sebagai parser CSS, tata letak, dan mesin rendering
• FreeType sebagai mesin font
• Anti-Grain Geometry sebagai perpustakaan rendering grafis 2D
• libjpeg-turbo dan libpng sebagai codec gambar

Tes ini merender delapan halaman dalam mode single-core dan 32 halaman dalam mode multi-core.

Render PDF

Beban kerja render PDF membuka dokumen PDF yang kompleks menggunakan PDFium, yang merupakan penyaji PDF Chrome. Ini membuat PDF peta taman dari American National Park Service, dengan ukuran mulai dari 897kb hingga 1,5MB. File-file ini berisi gambar vektor besar, garis, dan teks.

Tes ini merender empat PDF dalam mode single-core dan 16 PDF dalam mode multi-core.

Perpustakaan Foto

Beban kerja pengorganisasian foto mengkategorikan dan menandai foto berdasarkan objek yang dikandungnya, memungkinkan pengguna mencari foto mereka berdasarkan kata kunci di aplikasi pengatur gambar. Ia menggunakan MobileNet 1.0 untuk mengklasifikasikan foto dan database SQLite untuk menyimpan metadata foto bersama tagnya.

Beban kerja ini melakukan langkah-langkah berikut untuk setiap foto:

1. Dekompresi foto dari file JPEG terkompresi.
2. Simpan metadata foto dalam database SQLite. Basis data ini telah diisi sebelumnya dengan metadata untuk lebih dari 70.000 foto.
3. Hasilkan thumbnail pratinjau dan enkodekan sebagai JPEG.
4. Buat thumbnail inferensi.
5. Jalankan model klasifikasi gambar pada thumbnail inferensi.
6. Simpan tag klasifikasi gambar dalam database SQLite.

Beban kerja perpustakaan foto beroperasi pada 16 foto dalam mode single-core dan 64 foto dalam mode multi-core.

Beban kerja Pengembang Geekbench 6

Beban kerja pengembang di Geekbench 6 mengukur seberapa baik perangkat Anda menangani tugas-tugas umum pengembang seperti pengeditan teks, kompilasi kode, dan kompresi aset.

Dentang

Kompiler Clang digunakan untuk mengkompilasi juru bahasa Lua, memodelkan kasus penggunaan pengembang yang membangun kode mereka dan kompilasi tepat waktu yang sering dialami pengguna pada perangkat mereka. Ia menggunakan musl libc sebagai perpustakaan standar C untuk file yang dikompilasi. Ini mengkompilasi delapan file dalam mode single-core dan 96 file dalam mode multi-core.

Pemrosesan teks

Pemrosesan teks memuat banyak file, menguraikan kontennya menggunakan ekspresi reguler, menyimpan metadata dalam database SQLite, dan mengekspor konten ke format berbeda. Ini memodelkan algoritma pemrosesan teks khas yang memanipulasi, menganalisis, dan mengubah data untuk publikasi dan perolehan wawasan.

Beban kerja ini diimplementasikan dalam campuran Python dan C++, menggunakan Python 3.9.0 dan memproses 190 file penurunan harga untuk input.

Kompresi aset

Kompresi aset mengompresi aset tekstur dan geometris 3D menggunakan berbagai codec kompresi populer seperti ASTC, BC7, dan DXT5. Ini memodelkan saluran kompresi konten standar yang digunakan oleh pengembang game.

Beban kerjanya menggunakan bc7enc untuk implementasi BC& dan DXTC, dan Arm ASTC Encoder untuk implementasi ASTC-nya.

Beban kerja Pembelajaran Mesin

Beban kerja pembelajaran mesin terutama mengukur seberapa baik CPU Anda dapat mengenali objek dalam gambar dan pemandangan.

Deteksi objek

Beban kerja deteksi objek memanfaatkan pembelajaran mesin sehingga dapat mendeteksi dan mengklasifikasikan objek dalam foto. Ia menggunakan jaringan saraf konvolusional yang disebut MobileNet v1 SSD untuk mendeteksi dan mengklasifikasikan objek dalam foto, dan foto tersebut berukuran 300x300 piksel. Ia melakukan langkah-langkah berikut untuk mengidentifikasi objek dalam gambar:

1. Muat fotonya
2. Ekstrak objek dari foto menggunakan MobileNet v1 SSD
3. Menghasilkan skor keyakinan atau deteksi yang mewakili keakuratan deteksi
4. Gambarlah kotak pembatas di sekeliling objek dan hasilkan skor keyakinan

Deteksi objek memproses 16 foto dalam mode single-core dan 64 foto dalam mode multi-core.

Latar belakang kabur

Beban kerja pemburaman latar belakang memisahkan latar depan dan latar belakang dalam streaming video dan memburamkan latar belakang, seperti yang dapat dilakukan oleh layanan seperti Zoom, Discord, dan Google Meet.

Pengeditan Gambar

Beban kerja pengeditan gambar mengukur seberapa baik CPU Anda dapat menangani pengeditan gambar yang sederhana dan kompleks.

Penghapus objek

Beban kerja penghapus objek menghapus objek dari foto dan mengisi celah yang tertinggal, memodelkan pengisian sadar konten dan Magic Eraser milik Google. Beban kerja diberikan gambar 3MP dengan wilayah yang tidak diinginkan, dan beban kerja menghilangkan wilayah ini dan menggunakan skema pengecatan untuk merekonstruksi celah yang tertinggal.

Deteksi cakrawala

Beban kerja deteksi cakrawala dapat mendeteksi dan meluruskan garis cakrawala yang tidak rata atau bengkok untuk menyempurnakan foto. Ini memodelkan korektor garis cakrawala dalam aplikasi pengeditan foto dan menggunakan detektor tepi Canny untuk menerapkan transformasi Hough guna mendeteksi garis cakrawala. Ini menggunakan foto 48MP sebagai inputnya.

Filter foto

Beban kerja filter foto menerapkan filter untuk menyempurnakan tampilan foto, memodelkan filter umum di aplikasi media sosial seperti Instagram. Ini menerapkan efek berikut ke 10 foto berbeda, dengan ukuran foto mulai dari 3MP hingga 15MP.

• Filter warna dan buram
• Penyesuaian tingkat
• Memangkas dan menskalakan
• Pengomposisian gambar

HDR

Beban kerja HDR memadukan enam foto biasa untuk menghasilkan satu foto HDR yang penuh warna dan cerah. Ini memodelkan fitur HDR yang ditemukan di aplikasi kamera ponsel cerdas modern, menghasilkan satu gambar HDR 16MP dari enam gambar biasa 16MP.

Sintesis Gambar

Beban kerja ini mengukur bagaimana CPU Anda dapat menangani pembuatan gambar buatan sepenuhnya.

pelacak sinar

Penelusuran sinar adalah hal yang paling populer, dan dapat digunakan untuk menghasilkan gambar fotorealistik dengan memodelkan bagaimana sinar cahaya berinteraksi dengan objek dalam pemandangan virtual. Ini memodelkan proses rendering yang akan digunakan oleh perangkat lunak rendering 3D seperti Blender atau Cinema 4D.

Struktur dari gerak

Struktur dari gerak adalah teknik yang menghasilkan geometri 3D dari beberapa gambar 2D. Sistem augmented reality menggunakan teknik seperti ini untuk memahami pemandangan dunia nyata. Beban kerja ini mengambil sembilan gambar 2D dari pemandangan yang sama dan membuat perkiraan koordinat 3D dari titik-titik yang terlihat di kedua gambar.

Cara mengunduh Geekbench

Geekbench adalah salah satu tolok ukur yang digunakan orang untuk menguji perangkat seperti ponsel, laptop, dan tablet, dan Anda dapat mengunduhnya dari Toko Aplikasi Apple, Google Play Store, dan situs web Primate Labs.