Geekbench: Hvordan det faktisk fungerer

Benchmarking av smarttelefoner og datamaskiner innebærer å teste enhetens ytelse i noen få forskjellige kategorier. Du kan sammenligne ulike beregninger, inkludert grafisk ytelse, kunstig intelligens og beregning. Geekbench er en benchmark som har blitt en stift i benchmarking-verdenen, og den er først og fremst fokusert på beregning. Geekbench 6 er den nyeste versjonen, men hva er det egentlig? Hva tester den, og hvordan?

Hva er Geekbench?

Geekbench er en benchmarking-applikasjon på tvers av plattformer som kan tilskrive en poengsum til både enkeltkjerne- og multikjerneberegningsfunksjonene til enheten din. Denne poengsummen kan brukes som et sammenligningspunkt mot tilstøtende enheter og er kalibrert mot en baseline poengsum på 2500, som Primate Labs sier er poengsummen til en Dell Precision 3460 med en Intel Core i7-12700. Riktignok ser det ut til at det å bla gjennom Geekbench 6-poeng viser til at den bestemte CPU-en bare knapt skraper 2000 poeng i enkeltkjerne, men bortsett fra det, er forutsetningen at en enhet som scorer 5000 sies å ha dobbelt så høy ytelse som i7-12700.

Når det gjelder Geekbench 6, er det den siste iterasjonen av Geekbench benchmarking suite, og den har som mål å mål smarttelefonens muligheter på de måtene som faktisk betyr noe når det gjelder å bruke noen av de beste telefoner.

• Større bilder i oppløsninger tatt av moderne smarttelefoner (12-48MP)
• HTML-eksempler som representerer moderne webdesignstandarder
• Et større bibliotek med bilder for importtester
• Større kart for navigasjonstester
• Større og mer moderne PDF-eksempler
• En økning i Clang-arbeidsmengden

Det er GPU-beregningstester også, og den kan teste OpenCL, Metal og Vulkan. GPU-beregningsreferansen bruker maskinlæringsarbeidsbelastninger som bakgrunnsuskarphet og ansiktsgjenkjenning for å teste objektgjenkjenningsevner. På toppen av det kjører den arbeidsbelastninger for bilderedigering, for eksempel horisontgjenkjenning, kantdeteksjon og Gaussisk uskarphet. Til slutt er det arbeidsbelastninger for bildesyntese som utfører funksjonsmatching og stereomatching, sammen med en simuleringsbenchmark som simulerer partikkelfysikk.

Hvilke plattformer støtter Geekbench 6?

Geekbench 6 støtter følgende plattformer, med Windows on Arm-støtte for noen av de beste bærbare datamaskiner satt til å komme med Geekbench 6.1:

Hvordan fungerer Geekbenchs CPU-benchmark?

Geekbenchs CPU-benchmark er delt opp i en rekke nøkkeltester som har en enkeltkjerne- og flerkjerneseksjon. Hver seksjon er gruppert i to underseksjoner: heltallsarbeidsbelastninger og flyttallsarbeidsbelastninger. Det er hull mellom hver test på to sekunder som standard for å minimere effekten som termiske problemer har på ytelsen.

Geekbench 6 introduserte en delt oppgavemodell for multithreading-testing, der arbeidsbelastninger deles på tvers av flere tråder for å representere mer realistiske arbeidsbelastninger. Tidligere spredte Geekbench arbeidsbelastninger på tvers av individuelle tråder, som skaleres godt, men tilbyr svært lite kommunikasjon mellom tråder. Når det gjelder delte oppgavemodeller, behandler hver tråd en del av en større delt oppgave. Den skaleres ikke like godt, men er mer representativ for brukstilfeller i den virkelige verden.

Poeng beregnes ved å bruke et vektet aritmetisk gjennomsnitt av poengsum for underseksjoner, med heltall underseksjonen står for 65% av poengsummen og flyttallsseksjonen som står for resterende 35 %.

Når det gjelder hvordan Geekbench tester evnen til enhetens brikkesett, tester den forskjellige typer arbeidsbelastninger delt inn i kategorier. Disse kategoriene er delt inn i produktivitet, utvikler, maskinlæring og bildesyntese.

Geekbench 6 Arbeidsbelastninger for produktivitet

Dette er arbeidsbelastninger som tester hvor effektiv enheten din er ved daglige kritiske oppgaver.

Filkomprimering

Arbeidsbelastninger for filkomprimering tester hvor god enheten din er til å komprimere og dekomprimere filer med forskjellige komprimeringsformater. Det modellerer bruk tilfeller der en bruker kan se etter å komprimere en fil for å sende til noen andre for å redusere data og båndbredde. Den komprimerer Ruby 3.1.2 kildearkivet, som er et 75 MB arkiv som inneholder 9 841 filer, ved å bruke LZ4 og ZSTD komprimering. Den verifiserer deretter de komprimerte filene via en SHA-1-hash.

Disse filene lagres deretter ved hjelp av et kryptert filsystem i minnet, og denne arbeidsbelastningen bruker instruksjoner som akselererer AES-kryptering og dekryptering. Den bruker også instruksjoner som akselererer SHA-1 hashing-algoritmer.

Navigasjon

Vi bruker navigasjon på tvers av alle slags enheter, spesielt smarttelefoner. Arbeidsbelastningen for navigering tar sikte på å generere veibeskrivelser mellom en sekvens av steder, og modellerer folk som bruker apper som Google Maps i frakoblet modus. Den bruker Dijkstras algoritme til å beregne 24 forskjellige ruter på to forskjellige OpenStreetMap-kart. En er i Waterloo, Ontario, og en er i Toronto, Ontario.

HTML5-nettleser

HTML5-nettleseren åpner en rekke HTML5-sider og modellerer en bruker som surfer på nettet i en moderne nettleser som Chrome eller Safari. Den bruker en hodeløs nettleser og åpner, analyserer, legger ut og gjengir tekster og bilder basert på populære nettsteder, inkludert Instagram, Wikipedia og Ars Technica. Den bruker følgende biblioteker:

• Google Gumbo som HTML-parser
• litehtml som CSS-parser, layout og gjengivelsesmotor
• FreeType som fontmotor
• Anti-Grain Geometry som 2D-grafikkgjengivelsesbiblioteket
• libjpeg-turbo og libpng som bildekodekene

Denne testen gjengir åtte sider i enkeltkjernemodus og 32 sider i flerkjernemodus.

PDF-gjengivelse

Arbeidsmengden for PDF-gjengivelse åpner komplekse PDF-dokumenter ved hjelp av PDFium, som er Chromes PDF-gjengivelse. Den gjengir PDF-er av parkkart fra American National Park Service, med størrelser fra 897 kb til 1,5 MB. Disse filene inneholder store vektorbilder, linjer og tekst.

Denne testen gjengir fire PDF-er i enkeltkjernemodus og 16 PDF-er i flerkjernemodus.

Fotobibliotek

Fotoorganisasjonens arbeidsmengde kategoriserer og merker bilder basert på objekter de inneholder, slik at brukere kan søke i bildene sine etter nøkkelord i apper for bildeorganisering. Den bruker MobileNet 1.0 for å klassifisere bilder og en SQLite-database for å lagre fotometadataene ved siden av taggene deres.

Denne arbeidsmengden utfører følgende trinn for hvert bilde:

1. Dekomprimer bildet fra en komprimert JPEG-fil.
2. Lagre fotometadata i en SQLite-database. Denne databasen er forhåndsutfylt med metadata for mer enn 70 000 bilder.
3. Generer et forhåndsvisningsminiatyrbilde og kode det som en JPEG.
4. Generer et slutningsminiatyrbilde.
5. Kjør en bildeklassifiseringsmodell på inferensminiatyrbildet.
6. Lagre bildeklassifiseringskoder i en SQLite-database.

Fotobibliotekets arbeidsmengde opererer på 16 bilder i enkeltkjernemodus og 64 bilder i flerkjernemodus.

Geekbench 6 utviklerarbeidsmengder

Arbeidsbelastninger for utviklere i Geekbench 6 måler hvor godt enheten din håndterer typiske utvikleroppgaver som tekstredigering, kodekompilering og ressurskomprimering.

Clang

Clang-kompilatoren brukes til å kompilere Lua-tolken, og modellerer brukstilfellet for utviklere som bygger koden sin og just-in-time kompilering som brukere ofte vil oppleve på enhetene sine. Den bruker musl libc som C-standardbiblioteket for de kompilerte filene. Den kompilerer åtte filer i single-core og 96 filer i multi-core modus.

Tekstbehandling

Tekstbehandling laster mange filer, analyserer innholdet ved hjelp av regulære uttrykk, lagrer metadata i en SQLite-database og eksporterer innholdet til et annet format. Den modellerer typiske tekstbehandlingsalgoritmer som manipulerer, analyserer og transformerer data for publisering og innsikt.

Denne arbeidsmengden er implementert i en blanding av Python og C++, ved å bruke Python 3.9.0 og behandle 190 nedmerkingsfiler for input.

Eiendelskomprimering

Asset-komprimering komprimerer 3D-teksturelle og geometriske eiendeler ved hjelp av en rekke populære komprimeringskodeker som ASTC, BC7 og DXT5. Den modellerer standard innholdskomprimeringspipelines som brukes av spillutviklere.

Arbeidsmengden bruker bc7enc for sine BC&- og DXTC-implementeringer, og Arm ASTC Encoder for ASTC-implementeringen.

Maskinlæringsarbeidsmengder

Maskinlæringsarbeidsbelastninger måler først og fremst hvor godt CPU-en din kan håndtere gjenkjennende objekter i bilder og scener.

Objektdeteksjon

Arbeidsmengden for objektdeteksjon bruker maskinlæring slik at den kan oppdage og klassifisere objekter i bilder. Den bruker et konvolusjonelt nevralt nettverk kalt MobileNet v1 SSD for å oppdage og klassifisere objekter i bilder, og bildene har en størrelse på 300x300 piksler. Den utfører følgende trinn for å identifisere objekter i et bilde:

1. Last inn bildet
2. Trekk ut objekter fra bildet ved hjelp av MobileNet v1 SSD
3. Generer en konfidens- eller deteksjonspoengsum som representerer nøyaktigheten til deteksjonen
4. Tegn en avgrensningsramme rundt objektet og skriv ut en konfidensscore

Objektdeteksjon behandler 16 bilder i enkeltkjernemodus og 64 bilder i flerkjernemodus.

Bakgrunnsuskarphet

Arbeidsbelastningen for bakgrunnsuskarphet skiller forgrunnen fra bakgrunnen i videostrømmer og gjør bakgrunnen uskarp, akkurat som tjenester som Zoom, Discord og Google Meet kan gjøre.

Bilderedigering

Arbeidsbelastninger for bilderedigering måler hvor godt CPU-en din kan håndtere både enkle og komplekse bilderedigeringer.

Gjenstandsfjerner

Arbeidsmengden for objektfjerner fjerner objekter fra bilder og fyller ut gapet som er igjen, og modellerer en innholdsbevisst fylling og Googles egen Magic Eraser. Arbeidsbelastningen er gitt et 3MP-bilde med en uønsket region, og arbeidsbelastningen fjerner denne regionen og bruker et malingskjema for å rekonstruere gapet som er igjen.

Horisontdeteksjon

Arbeidsmengden for horisontgjenkjenning kan oppdage og rette ut ujevne eller skjeve horisontlinjer for å forbedre bildene. Den modellerer horisontlinjekorrigerere i fotoredigeringsapper og bruker Canny-kantdetektoren til å bruke en Hough-transformasjon for å oppdage horisontlinjen. Den bruker et 48 MP-bilde som inngang.

Fotofilter

Fotofilterarbeidsmengden bruker filtre for å forbedre bildets utseende, og modellerer vanlige filtre i apper for sosiale medier som Instagram. Den bruker følgende effekter på 10 forskjellige bilder, med bilder som varierer i størrelse fra 3MP til 15MP.

• Farge og uskarphet filtre
• Nivåjusteringer
• Beskjæring og skalering
• Bildesammensetning

HDR

HDR-arbeidsmengden blander seks vanlige bilder for å lage et enkelt HDR-bilde som er fargerikt og levende. Den modellerer HDR-funksjoner som finnes i moderne smarttelefonkameraapper, og skaper et enkelt 16 MP HDR-bilde fra seks 16 MP vanlige bilder.

Bildesyntese

Disse arbeidsbelastningene måler hvordan CPU-en din kan håndtere å lage helt kunstige bilder.

Ray sporer

Strålesporing er på topp, og den kan brukes til å generere fotorealistiske bilder ved å modellere hvordan lysstråler samhandler med objekter i virtuelle scener. Dette modellerer gjengivelsesprosessene som 3D-gjengivelsesprogramvare som Blender eller Cinema 4D vil bruke.

Struktur fra bevegelse

Struktur fra bevegelse er en teknikk som genererer 3D-geometri fra flere 2D-bilder. Augmented reality-systemer bruker teknikker som disse for å forstå scener i den virkelige verden. Denne arbeidsmengden tar ni 2D-bilder av samme scene og konstruerer et estimat av 3D-koordinatene til punktene som er synlige i begge bildene.

Hvordan laste ned Geekbench

Geekbench er en av de beste referansene som folk bruker til å teste enheter som de beste telefonene, bærbare datamaskinene og tabletter, og du kan laste den ned fra Apple App Store, Google Play-butikken og nettstedet til Primate Labs.