Geekbench: come funziona realmente

Il benchmarking di smartphone e computer implica testare le prestazioni del dispositivo in alcune categorie diverse. Puoi confrontare vari parametri diversi, tra cui prestazioni grafiche, intelligenza artificiale e calcolo. Geekbench è un benchmark che è diventato un punto fermo nel mondo del benchmarking e si concentra principalmente sul calcolo. Geekbench 6 è l'ultima versione, ma cos'è esattamente? Cosa testa e come?

Cos'è Geekbench?

Geekbench è un'applicazione di benchmarking multipiattaforma che può attribuire un punteggio sia alle capacità computazionali single-core che multi-core del tuo dispositivo. Questo punteggio può essere utilizzato come punto di confronto con i dispositivi adiacenti ed è calibrato rispetto a a punteggio di base di 2.500, che secondo Primate Labs è il punteggio di un Dell Precision 3460 con un Intel Core i7-12700. Certo, sfogliando i punteggi di Geekbench 6 sembra indicare che quella particolare CPU ha racimolato appena 2000 punti in single-core, ma a parte questo, la premessa è che un dispositivo con un punteggio di 5000 dovrebbe avere il doppio delle prestazioni del i7-12700.

Nel caso di Geekbench 6, si tratta dell'ultima iterazione della suite di benchmarking Geekbench e mira a misura le capacità del tuo smartphone nei modi che contano davvero quando si tratta di utilizzare uno qualsiasi di essi migliori telefoni.

• Foto più grandi nelle risoluzioni catturate dai moderni smartphone (12-48MP)
• Esempi HTML rappresentativi dei moderni standard di web design
• Una libreria più ampia di immagini per i test di importazione
• Mappe più grandi per prove di navigazione
• Esempi PDF più grandi e più moderni
• Un aumento delle dimensioni del carico di lavoro di Clang

Esistono anche test di calcolo della GPU e può testare OpenCL, Metal e Vulkan. Il benchmark di calcolo della GPU utilizza carichi di lavoro di apprendimento automatico come la sfocatura dello sfondo e il rilevamento dei volti per testare le capacità di riconoscimento degli oggetti. Oltre a ciò, esegue carichi di lavoro di modifica delle immagini, come il rilevamento dell'orizzonte, il rilevamento dei bordi e la sfocatura gaussiana. Infine, ci sono carichi di lavoro di sintesi delle immagini che eseguono la corrispondenza delle caratteristiche e la corrispondenza stereo, insieme a un benchmark di simulazione che simula la fisica delle particelle.

Quali piattaforme supporta Geekbench 6?

Geekbench 6 supporta le seguenti piattaforme, con il supporto di Windows on Arm per alcune di esse i migliori laptop previsto per Geekbench 6.1:

Come funziona il benchmark della CPU di Geekbench?

Il benchmark della CPU di Geekbench è suddiviso in una serie di test chiave che hanno una sezione single-core e multi-core. Ciascuna sezione è raggruppata in due sottosezioni: carichi di lavoro interi e carichi di lavoro a virgola mobile. Per impostazione predefinita, tra ciascun test sono presenti intervalli di due secondi per ridurre al minimo l'effetto che i problemi termici hanno sulle prestazioni.

Geekbench 6 ha introdotto un modello di attività condiviso per i test multithreading, in cui i carichi di lavoro sono condivisi su più thread per rappresentare carichi di lavoro più realistici. In precedenza, Geekbench distribuiva i carichi di lavoro tra i singoli thread, il che si adatta bene ma offre pochissima comunicazione tra thread. Nel caso dei modelli di attività condivise, ogni thread elabora parte di un'attività condivisa più ampia. Non è altrettanto scalabile, ma è più rappresentativo dei casi d'uso del mondo reale.

I punteggi vengono calcolati utilizzando una media aritmetica ponderata dei punteggi delle sottosezioni, con il numero intero sottosezione che rappresenta il 65% del punteggio e la sottosezione in virgola mobile che rappresenta il restante 35%.

Per quanto riguarda il modo in cui Geekbench verifica la capacità del chipset del tuo dispositivo, testa diversi tipi di carichi di lavoro suddivisi in categorie. Queste categorie sono suddivise in produttività, sviluppatore, apprendimento automatico e sintesi di immagini.

Geekbench 6 Carichi di lavoro di produttività

Si tratta di carichi di lavoro che mettono alla prova le prestazioni del tuo dispositivo nelle attività critiche quotidiane.

Compressione dei file

I carichi di lavoro di compressione dei file testano la capacità del tuo dispositivo di comprimere e decomprimere i file utilizzando diversi formati di compressione. Modella i casi d'uso in cui un utente potrebbe cercare di comprimere un file da inviare a qualcun altro per ridurre i dati e la larghezza di banda. Comprime l'archivio sorgente di Ruby 3.1.2, che è un archivio da 75 MB contenente 9.841 file, utilizzando la compressione LZ4 e ZSTD. Quindi verifica i file compressi tramite un hash SHA-1.

Questi file vengono quindi archiviati utilizzando un file system crittografato in memoria e questo carico di lavoro utilizza istruzioni che accelerano la crittografia e decrittografia AES. Utilizza inoltre istruzioni che accelerano gli algoritmi di hashing SHA-1.

Navigazione

Utilizziamo la navigazione su tutti i tipi di dispositivi, in particolare sugli smartphone. Il carico di lavoro di navigazione mira a generare indicazioni stradali tra una sequenza di luoghi e a modellare le persone che utilizzano app come Google Maps in modalità offline. Utilizza l'algoritmo di Dijkstra per calcolare 24 percorsi diversi su due diverse mappe OpenStreetMap. Uno è a Waterloo, Ontario, e uno è a Toronto, Ontario.

Browser HTML5

Il browser HTML5 apre una serie di pagine HTML5 e modella un utente che naviga sul Web in un browser moderno come Chrome o Safari. Utilizza un browser headless e apre, analizza, dispone e visualizza testi e immagini basati su siti popolari, tra cui Instagram, Wikipedia e Ars Tecnica. Utilizza le seguenti librerie:

• Google Gumbo come parser HTML
• litehtml come parser CSS, layout e motore di rendering
• FreeType come motore dei caratteri
• Anti-Grain Geometry come libreria di rendering grafico 2D
• libjpeg-turbo e libpng come codec di immagine

Questo test esegue il rendering di otto pagine in modalità single-core e 32 pagine in modalità multi-core.

Rendering PDF

Il carico di lavoro di rendering PDF apre documenti PDF complessi utilizzando PDFium, il renderer PDF di Chrome. Rende i PDF delle mappe dei parchi dell'American National Park Service, con dimensioni che vanno da 897kb a 1,5MB. Questi file contengono immagini vettoriali, linee e testo di grandi dimensioni.

Questo test esegue il rendering di quattro PDF in modalità single-core e 16 PDF in modalità multi-core.

Libreria fotografica

Il carico di lavoro dell'organizzazione delle foto classifica e tagga le foto in base agli oggetti che contengono, consentendo agli utenti di cercare le proprie foto per parola chiave nelle app di organizzazione delle immagini. Utilizza MobileNet 1.0 per classificare le foto e un database SQLite per archiviare i metadati delle foto insieme ai tag.

Questo carico di lavoro esegue i seguenti passaggi per ogni foto:

1. Decomprimere la foto da un file JPEG compresso.
2. Archivia i metadati delle foto in un database SQLite. Questo database è precompilato con metadati per oltre 70.000 foto.
3. Genera una miniatura di anteprima e codificala come JPEG.
4. Genera una miniatura dell'inferenza.
5. Esegui un modello di classificazione delle immagini sulla miniatura di inferenza.
6. Memorizza i tag di classificazione delle immagini in un database SQLite.

Il carico di lavoro della libreria foto opera su 16 foto in modalità single-core e 64 foto in modalità multi-core.

Geekbench 6 Carichi di lavoro per sviluppatori

I carichi di lavoro degli sviluppatori in Geekbench 6 misurano la capacità del tuo dispositivo di gestire le attività tipiche degli sviluppatori come la modifica del testo, la compilazione del codice e la compressione delle risorse.

Clang

Il compilatore Clang viene utilizzato per compilare l'interprete Lua, modellando il caso d'uso degli sviluppatori che creano il proprio codice e la compilazione just-in-time che gli utenti sperimenteranno spesso sui propri dispositivi. Utilizza musl libc come libreria standard C per i file compilati. Compila otto file in modalità single-core e 96 file in modalità multi-core.

Elaborazione del testo

L'elaborazione del testo carica numerosi file, ne analizza il contenuto utilizzando espressioni regolari, archivia i metadati in un database SQLite ed esporta il contenuto in un formato diverso. Modella tipici algoritmi di elaborazione del testo che manipolano, analizzano e trasformano i dati per la pubblicazione e l'acquisizione di informazioni dettagliate.

Questo carico di lavoro è implementato in una combinazione di Python e C++, utilizzando Python 3.9.0 ed elaborando 190 file markdown per l'input.

Compressione delle risorse

La compressione delle risorse comprime le risorse strutturali e geometriche 3D utilizzando una varietà di codec di compressione popolari come ASTC, BC7 e DXT5. Modella le pipeline di compressione dei contenuti standard utilizzate dagli sviluppatori di giochi.

Il carico di lavoro utilizza bc7enc per le implementazioni BC& e DXTC e Arm ASTC Encoder per l'implementazione ASTC.

Carichi di lavoro di machine learning

I carichi di lavoro di machine learning misurano principalmente la capacità della CPU di gestire il riconoscimento di oggetti in immagini e scene.

Rilevamento oggetti

Il carico di lavoro di rilevamento degli oggetti si avvale dell'apprendimento automatico in modo da poter rilevare e classificare gli oggetti nelle foto. Utilizza una rete neurale convoluzionale chiamata MobileNet v1 SSD per rilevare e classificare gli oggetti nelle foto e le foto hanno una dimensione di 300x300 pixel. Esegue i seguenti passaggi per identificare gli oggetti in un'immagine:

1. Carica la foto
2. Estrai oggetti dalla foto utilizzando MobileNet v1 SSD
3. Generare un punteggio di confidenza o rilevamento che rappresenta l'accuratezza del rilevamento
4. Disegna un riquadro attorno all'oggetto e genera un punteggio di confidenza

Il rilevamento degli oggetti elabora 16 foto in modalità single-core e 64 foto in modalità multi-core.

Sfocatura dello sfondo

Il carico di lavoro di sfocatura dello sfondo separa il primo piano dallo sfondo nei flussi video e sfoca lo sfondo, proprio come possono fare servizi come Zoom, Discord e Google Meet.

Modifica delle immagini

I carichi di lavoro di modifica delle immagini misurano la capacità della tua CPU di gestire modifiche di immagini semplici e complesse.

Rimozione oggetti

Il carico di lavoro di rimozione oggetti rimuove gli oggetti dalle foto e riempie il vuoto lasciato, modellando un riempimento sensibile al contenuto e la gomma magica di Google. Al carico di lavoro viene fornita un'immagine da 3 MP con una regione indesiderata e il carico di lavoro rimuove questa regione e utilizza uno schema di re-painting per ricostruire il divario lasciato indietro.

Rilevamento dell'orizzonte

Il carico di lavoro di rilevamento dell'orizzonte può rilevare e raddrizzare le linee dell'orizzonte irregolari o storte per migliorare le foto. Modella i correttori della linea dell'orizzonte nelle app di fotoritocco e utilizza il rilevatore di bordi Canny per applicare una trasformazione di Hough per rilevare la linea dell'orizzonte. Utilizza una foto da 48 MP come input.

Filtro fotografico

Il carico di lavoro dei filtri fotografici applica filtri per migliorare l'aspetto delle foto, modellando i filtri comuni nelle app di social media come Instagram. Applica i seguenti effetti a 10 foto diverse, con foto di dimensioni variabili da 3 MP a 15 MP.

• Filtri colore e sfocatura
• Aggiustamenti di livello
• Ritaglio e ridimensionamento
• Composizione delle immagini

HDR

Il carico di lavoro HDR unisce sei foto normali per creare un'unica foto HDR colorata e vivace. Modella le funzionalità HDR presenti nelle moderne app per fotocamere degli smartphone, creando una singola immagine HDR da 16 MP da sei immagini normali da 16 MP.

Sintesi delle immagini

Questi carichi di lavoro misurano il modo in cui la tua CPU può gestire la creazione di immagini completamente artificiali.

Tracciante di raggi

Il ray tracing è di gran moda e può essere utilizzato per generare immagini fotorealistiche modellando il modo in cui i raggi luminosi interagiscono con gli oggetti nelle scene virtuali. Questo modella i processi di rendering che utilizzerebbero software di rendering 3D come Blender o Cinema 4D.

Struttura dal movimento

La struttura dal movimento è una tecnica che genera geometria 3D da più immagini 2D. I sistemi di realtà aumentata utilizzano tecniche come queste per comprendere le scene del mondo reale. Questo carico di lavoro prende nove immagini 2D della stessa scena e costruisce una stima delle coordinate 3D dei punti visibili in entrambe le immagini.

Come scaricare Geekbench

Geekbench è uno dei benchmark di riferimento che le persone utilizzano per testare dispositivi come i migliori telefoni, laptop e compressee puoi scaricarlo da App Store di Apple, Google Play Store e il sito web di Primate Labs.