Geekbench: 実際の仕組み

スマートフォンとコンピューターのベンチマークには、いくつかの異なるカテゴリでデバイスのパフォーマンスをテストすることが含まれます。 グラフィック パフォーマンス、人工知能、計算など、さまざまな指標を比較できます。 Geekbench はベンチマーク界の定番となっているベンチマークで、主に計算に焦点を当てています。 Geekbench 6 は最新バージョンですが、正確には何ですか? 何をどのようにテストするのでしょうか?

ギークベンチとは何ですか?

Geekbench は、デバイスのシングルコアとマルチコアの両方の計算能力にスコアを割り当てることができるクロスプラットフォームのベンチマーク アプリケーションです。 このスコアは、隣接するデバイスとの比較点として使用でき、基準に基づいて調整されます。 ベースライン スコア 2,500。Primate Labs によれば、これは Intel Core を搭載した Dell Precision 3460 のスコアです i7-12700。 確かに、Geekbench 6 のスコアを参照すると、その CPU は 2000 ポイントをかろうじて獲得しているだけのようです。 シングルコアですが、それはさておき、前提として、スコアが 5000 のデバイスは、シングルコアの 2 倍のパフォーマンスがあると言われています。 i7-12700。

Geekbench 6 の場合、これは Geekbench ベンチマーク スイートの最新バージョンであり、次のことを目的としています。 のいずれかの使用に関して実際に重要な方法でスマートフォンの機能を測定します。 最高の携帯電話.

• 最新のスマートフォン (12-48MP) で撮影された解像度の大きな写真
• 最新の Web デザイン標準を代表する HTML の例
• インポートテスト用のより大きな画像ライブラリ
• ナビゲーションテスト用の大きな地図
• より大きく、より現代的な PDF の例
• Clang ワークロード サイズの増加

GPU 計算テストもあり、OpenCL、Metal、Vulkan をテストできます。 GPU 計算ベンチマークは、背景のぼかしや顔検出などの機械学習ワークロードを利用して、オブジェクト認識機能をテストします。 それに加えて、水平線検出、エッジ検出、ガウスぼかしなどの画像編集ワークロードを実行します。 最後に、粒子物理学をシミュレートするシミュレーション ベンチマークとともに、フィーチャ マッチングとステレオ マッチングを実行する画像合成ワークロードがあります。

Geekbench 6 はどのプラットフォームをサポートしていますか?

Geekbench 6 は次のプラットフォームをサポートしており、一部のプラットフォームでは Windows on Arm がサポートされています。 最高のラップトップ Geekbench 6.1 に付属する予定:

Geekbench の CPU ベンチマークはどのように機能しますか?

Geekbench の CPU ベンチマークは、シングルコアとマルチコアのセクションを持つ多数の主要なテストに分かれています。 各セクションは、整数ワークロードと浮動小数点ワークロードの 2 つのサブセクションにグループ化されています。 熱の問題がパフォーマンスに及ぼす影響を最小限に抑えるために、デフォルトでは各テストの間に 2 秒の間隔が設けられています。

Geekbench 6 では、より現実的なワークロードを表現するために、ワークロードが複数のスレッド間で共有されるマルチスレッド テスト用の共有タスク モデルが導入されました。 以前は、Geekbench はワークロードを個々のスレッドに分散し、拡張性は良好でしたが、スレッド間通信はほとんど提供されませんでした。 共有タスク モデルの場合、各スレッドはより大きな共有タスクの一部を処理します。 拡張性はそれほど高くありませんが、実際の使用例をよりよく表しています。

スコアは、サブセクションのスコアの加重算術平均を使用して計算されます。 サブセクションはスコアの 65% を占め、浮動小数点サブセクションはスコアの 65% を占めます。 残り35％。

Geekbench がデバイスのチップセットの能力をテストする方法については、さまざまな種類のワークロードをカテゴリに分けてテストします。 これらのカテゴリは、生産性、開発者、機械学習、画像合成に分かれています。

Geekbench 6 生産性ワークロード

これらは、日常の重要なタスクにおいてデバイスのパフォーマンスがどの程度であるかをテストするワークロードです。

ファイル圧縮

ファイル圧縮ワークロードは、デバイスがさまざまな圧縮形式を使用してファイルの圧縮および解凍をどの程度うまく実行できるかをテストします。 データと帯域幅を削減するために、ユーザーが他の人に送信するためにファイルを圧縮しようとするユースケースをモデル化します。 これは、LZ4 および ZSTD 圧縮を使用して、9,841 個のファイルを含む 75MB のアーカイブである Ruby 3.1.2 ソース アーカイブを圧縮します。 次に、SHA-1 ハッシュを介して圧縮ファイルを検証します。

これらのファイルは、インメモリ暗号化ファイル システムを使用して保存され、このワークロードでは AES 暗号化と復号化を高速化する命令が使用されます。 また、SHA-1 ハッシュ アルゴリズムを高速化する命令も使用します。

ナビゲーション

私たちはあらゆる種類のデバイス、特にスマートフォンでナビゲーションを使用しています。 ナビゲーション ワークロードは、一連の場所間の道順を生成することを目的としており、オフライン モードで Google マップなどのアプリを使用する人々をモデル化します。 ダイクストラのアルゴリズムを使用して、2 つの異なる OpenStreetMap マップ上の 24 の異なるルートを計算します。 1 つはオンタリオ州ウォータールーにあり、もう 1 つはオンタリオ州トロントにあります。

HTML5ブラウザ

HTML5 ブラウザは、多数の HTML5 ページを開き、Chrome や Safari などの最新のブラウザで Web を閲覧するユーザーをモデル化します。 ヘッドレス ブラウザを使用し、Instagram、Wikipedia、 アルス テクニカ. 次のライブラリを使用します。

• HTML パーサーとしての Google Gumbo
• CSS パーサー、レイアウト、レンダリング エンジンとしての litehtml
• フォント エンジンとしての FreeType
• 2D グラフィックス レンダリング ライブラリとしてのアンチグレイン ジオメトリ
• 画像コーデックとして libjpeg-turbo および libpng

このテストでは、シングルコア モードで 8 ページ、マルチコア モードで 32 ページをレンダリングします。

PDF のレンダリング

PDF レンダリング ワークロードは、Chrome の PDF レンダラーである PDFium を使用して複雑な PDF ドキュメントを開きます。 アメリカ国立公園局からの公園地図の PDF を、897kb から 1.5MB までのサイズでレンダリングします。 これらのファイルには、大きなベクター画像、線、テキストが含まれています。

このテストでは、シングルコア モードでは 4 つの PDF、マルチコア モードでは 16 つの PDF をレンダリングします。

フォトライブラリー

写真整理ワークロードは、写真に含まれるオブジェクトに基づいて写真を分類およびタグ付けし、ユーザーが画像オーガナイザー アプリでキーワードで写真を検索できるようにします。 MobileNet 1.0 を使用して写真を分類し、SQLite データベースを使用して写真のメタデータをタグとともに保存します。

このワークロードは、写真ごとに次の手順を実行します。

1. 圧縮された JPEG ファイルから写真を解凍します。
2. 写真のメタデータを SQLite データベースに保存します。 このデータベースには、70,000 枚を超える写真のメタデータが事前に入力されています。
3. プレビュー サムネイルを生成し、JPEG としてエンコードします。
4. 推論サムネイルを生成します。
5. 推論サムネイルに対して画像分類モデルを実行します。
6. 画像分類タグを SQLite データベースに保存します。

写真ライブラリのワークロードは、シングルコア モードでは 16 枚の写真、マルチコア モードでは 64 枚の写真で動作します。

Geekbench 6 開発者のワークロード

Geekbench 6 の開発者のワークロードは、テキスト編集、コードのコンパイル、アセットの圧縮などの一般的な開発者のタスクをデバイスがどの程度うまく処理できるかを測定します。

クラン

Clang コンパイラは、Lua インタープリタのコンパイルに使用され、開発者がコードを構築するユースケースと、ユーザーがデバイス上で頻繁に経験するジャストインタイム コンパイルのユースケースをモデル化します。 コンパイルされたファイルの C 標準ライブラリとして musl libc を使用します。 シングルコア モードでは 8 つのファイル、マルチコア モードでは 96 のファイルをコンパイルします。

テキスト処理

テキスト処理では、多数のファイルを読み込み、正規表現を使用してその内容を解析し、メタデータを SQLite データベースに保存し、内容を別の形式にエクスポートします。 これは、出版や洞察の獲得のためにデータを操作、分析、変換する典型的なテキスト処理アルゴリズムをモデル化します。

このワークロードは、Python 3.9.0 を使用し、入力用に 190 個のマークダウン ファイルを処理することで、Python と C++ の混合で実装されています。

資産圧縮

アセット圧縮では、ASTC、BC7、DXT5 などの一般的なさまざまな圧縮コーデックを使用して、3D テクスチャおよびジオメトリ アセットを圧縮します。 ゲーム開発者が使用する標準のコンテンツ圧縮パイプラインをモデル化します。

ワークロードは、BC& および DXTC 実装に bc7enc を使用し、ASTC 実装に Arm ASTC Encoder を使用します。

機械学習のワークロード

機械学習のワークロードは主に、CPU が画像やシーン内のオブジェクトの認識をどの程度うまく処理できるかを測定します。

物体検出

物体検出ワークロードでは機械学習を利用して、写真内の物体を検出して分類できます。 MobileNet v1 SSD と呼ばれる畳み込みニューラル ネットワークを使用して写真内のオブジェクトを検出および分類し、写真のサイズは 300x300 ピクセルです。 画像内のオブジェクトを識別するには、次の手順を実行します。

1. 写真をロードする
2. MobileNet v1 SSD を使用して写真からオブジェクトを抽出する
3. 検出の精度を表す信頼度または検出スコアを生成します。
4. オブジェクトの周囲に境界ボックスを描画し、信頼スコアを出力します。

物体検出は、シングルコア モードでは 16 枚の写真、マルチコア モードでは 64 枚の写真を処理します。

背景ぼかし

背景ぼかしワークロードは、Zoom、Discord、Google Meet などのサービスと同様に、ビデオ ストリームの前景を背景から分離し、背景をぼかします。

画像編集

画像編集ワークロードは、CPU が単純な画像編集と複雑な画像編集の両方をどれだけうまく処理できるかを測定します。

オブジェクトリムーバー

オブジェクト削除ワークロードは、写真からオブジェクトを削除し、残った隙間を埋め、コンテンツを認識した塗りつぶしと Google 独自の Magic Eraser をモデル化します。 ワークロードには、望ましくない領域を含む 3MP イメージが提供され、ワー​​クロードはこの領域を削除し、修復スキームを使用して残されたギャップを再構築します。

地平線検出

地平線検出ワークロードは、写真を改善するために、不均一または曲がった地平線を検出してまっすぐにすることができます。 写真編集アプリの水平線補正器をモデル化し、Canny エッジ検出器を使用してハフ変換を適用して水平線を検出します。 入力として 48MP 写真を使用します。

写真フィルター

写真フィルター ワークロードはフィルターを適用して写真の外観を改善し、Instagram などのソーシャル メディア アプリの一般的なフィルターをモデル化します。 次の効果を 10 枚の異なる写真に適用します。写真のサイズは 3MP から 15MP までです。

• カラーフィルターとぼかしフィルター
• レベル調整
• トリミングと拡大縮小
• 画像合成

HDR

HDR ワークロードは、6 枚の通常の写真をブレンドして、カラフルで鮮やかな 1 枚の HDR 写真を作成します。 最新のスマートフォンのカメラ アプリにある HDR 機能をモデル化し、6 つの 16MP 通常画像から 1 枚の 16MP HDR 画像を作成します。

画像合成

これらのワークロードは、完全に人工的なイメージの作成を CPU がどのように処理できるかを測定します。

レイトレーサー

レイ トレーシングは大流行しており、光線が仮想シーン内のオブジェクトとどのように相互作用するかをモデル化することで、フォトリアリスティックなイメージを生成するために使用できます。 これは、Blender や Cinema 4D などの 3D レンダリング ソフトウェアが使用するレンダリング プロセスをモデル化します。

動きから見る構造

Structure from motion は、複数の 2D 画像から 3D ジオメトリを生成する技術です。 拡張現実システムは、このような技術を使用して現実世界のシーンを理解します。 このワークロードは、同じシーンの 9 つの 2D 画像を取得し、両方の画像に表示される点の 3D 座標の推定値を構築します。

Geekbenchのダウンロード方法

Geekbench は、最高の携帯電話、ラップトップ、PC などのデバイスをテストするために使用される頼りになるベンチマークの 1 つです。 錠剤からダウンロードできます。 Apple App Store、Google Play ストア、および 霊長類研究所のウェブサイト.