Geekbench: como realmente funciona

O benchmarking de smartphones e computadores envolve testar o desempenho do dispositivo em algumas categorias diferentes. Você pode comparar várias métricas diferentes, incluindo desempenho gráfico, inteligência artificial e computação. Geekbench é um benchmark que se tornou um marco no mundo do benchmarking e é focado principalmente em computação. Geekbench 6 é a versão mais recente, mas o que é exatamente? O que ele testa e como?

O que é o Geekbench?

Geekbench é um aplicativo de benchmarking multiplataforma que pode atribuir uma pontuação aos recursos computacionais de núcleo único e multinúcleo do seu dispositivo. Esta pontuação pode ser usada como ponto de comparação com dispositivos adjacentes e é calibrada em relação a um pontuação básica de 2.500, que a Primate Labs afirma ser a pontuação de um Dell Precision 3460 com Intel Core i7-12700. É certo que navegar pelas pontuações do Geekbench 6 parece apontar para aquela CPU em particular que mal conseguiu 2.000 pontos em single-core, mas fora isso, a premissa é que um dispositivo com pontuação de 5.000 tem o dobro do desempenho do i7-12700.

No caso do Geekbench 6, é a mais recente iteração do conjunto de benchmarking Geekbench e tem como objetivo meça as capacidades do seu smartphone da maneira que realmente importa quando se trata de usar qualquer um dos melhores telefones.

• Fotos maiores em resoluções capturadas por smartphones modernos (12-48MP)
• Exemplos de HTML representativos dos padrões modernos de web design
• Uma biblioteca maior de imagens para testes de importação
• Mapas maiores para testes de navegação
• Exemplos de PDF maiores e mais modernos
• Um aumento no tamanho da carga de trabalho do Clang

Também existem testes de computação de GPU e podem testar OpenCL, Metal e Vulkan. O benchmark de computação da GPU utiliza cargas de trabalho de aprendizado de máquina, como desfoque de fundo e detecção de rosto, para testar os recursos de reconhecimento de objetos. Além disso, ele executa cargas de trabalho de edição de imagens, como detecção de horizonte, detecção de bordas e desfoque gaussiano. Finalmente, existem cargas de trabalho de síntese de imagens que executam correspondência de recursos e correspondência estéreo, juntamente com um benchmark de simulação que simula a física de partículas.

Quais plataformas o Geekbench 6 suporta?

Geekbench 6 suporta as seguintes plataformas, com suporte Windows on Arm para alguns dos melhores laptops definido para vir com o Geekbench 6.1:

Como funciona o benchmark de CPU do Geekbench?

O benchmark de CPU do Geekbench é dividido em uma série de testes principais que possuem uma seção de núcleo único e de núcleo múltiplo. Cada seção é agrupada em duas subseções: cargas de trabalho de número inteiro e cargas de trabalho de ponto flutuante. Existem intervalos entre cada teste de dois segundos por padrão para minimizar o efeito que os problemas térmicos têm no desempenho.

O Geekbench 6 introduziu um modelo de tarefas compartilhadas para testes multithreading, onde as cargas de trabalho são compartilhadas entre vários threads para representar cargas de trabalho mais realistas. Anteriormente, o Geekbench espalhava cargas de trabalho entre threads individuais, o que é bem dimensionado, mas oferece muito pouca comunicação entre threads. No caso de modelos de tarefas compartilhadas, cada thread processa parte de uma tarefa compartilhada maior. Ele não é tão escalonável, mas é mais representativo dos casos de uso do mundo real.

As pontuações são calculadas usando uma média aritmética ponderada das pontuações da subseção, com o número inteiro subseção responsável por 65% da pontuação e a subseção de ponto flutuante responsável por restantes 35%.

Quanto à forma como o Geekbench testa a capacidade do chipset do seu dispositivo, ele testa diferentes tipos de cargas de trabalho divididas em categorias. Essas categorias são divididas em produtividade, desenvolvedor, aprendizado de máquina e síntese de imagens.

Cargas de trabalho de produtividade do Geekbench 6

Essas são cargas de trabalho que testam o desempenho do seu dispositivo em tarefas críticas do dia a dia.

Compactação de arquivo

As cargas de trabalho de compactação de arquivos testam a capacidade do seu dispositivo em compactar e descompactar arquivos usando diferentes formatos de compactação. Ele modela casos de uso em que um usuário pode tentar compactar um arquivo para enviar a outra pessoa, a fim de reduzir dados e largura de banda. Ele compacta o arquivo fonte Ruby 3.1.2, que é um arquivo de 75 MB contendo 9.841 arquivos, usando compactação LZ4 e ZSTD. Em seguida, verifica os arquivos compactados por meio de um hash SHA-1.

Esses arquivos são então armazenados usando um sistema de arquivos criptografados na memória, e essa carga de trabalho usa instruções que aceleram a criptografia e descriptografia AES. Ele também usa instruções que aceleram algoritmos de hash SHA-1.

Navegação

Usamos navegação em todos os tipos de dispositivos, principalmente smartphones. A carga de trabalho de navegação visa gerar rotas entre uma sequência de locais e modelar pessoas usando aplicativos como o Google Maps no modo offline. Ele usa o algoritmo de Dijkstra para calcular 24 rotas diferentes em dois mapas OpenStreetMap diferentes. Um está em Waterloo, Ontário, e o outro está em Toronto, Ontário.

Navegador HTML5

O navegador HTML5 abre várias páginas HTML5 e modela um usuário navegando na web em um navegador moderno, como Chrome ou Safari. Ele usa um navegador sem cabeça e abre, analisa, organiza e renderiza textos e imagens com base em sites populares, incluindo Instagram, Wikipedia e Ars Técnica. Ele usa as seguintes bibliotecas:

• Google Gumbo como analisador de HTML
• litehtml como analisador CSS, layout e mecanismo de renderização
• FreeType como mecanismo de fonte
• Geometria Anti-Grain como biblioteca de renderização de gráficos 2D
• libjpeg-turbo e libpng como codecs de imagem

Este teste renderiza oito páginas no modo single-core e 32 páginas no modo multi-core.

Renderização de PDF

A carga de trabalho de renderização de PDF abre documentos PDF complexos usando o PDFium, que é o renderizador de PDF do Chrome. Ele renderiza PDFs de mapas de parques do American National Park Service, com tamanhos que variam de 897kb a 1,5MB. Esses arquivos contêm grandes imagens vetoriais, linhas e texto.

Este teste renderiza quatro PDFs no modo single-core e 16 PDFs no modo multi-core.

Biblioteca de fotos

A carga de trabalho de organização de fotos categoriza e marca fotos com base nos objetos que elas contêm, permitindo que os usuários pesquisem suas fotos por palavra-chave em aplicativos organizadores de imagens. Ele usa MobileNet 1.0 para classificar fotos e um banco de dados SQLite para armazenar os metadados das fotos junto com suas tags.

Essa carga de trabalho executa as seguintes etapas para cada foto:

1. Descompacte a foto de um arquivo JPEG compactado.
2. Armazene metadados de fotos em um banco de dados SQLite. Este banco de dados é pré-preenchido com metadados para mais de 70.000 fotos.
3. Gere uma miniatura de visualização e codifique-a como JPEG.
4. Gere uma miniatura de inferência.
5. Execute um modelo de classificação de imagens na miniatura de inferência.
6. Armazene tags de classificação de imagens em um banco de dados SQLite.

A carga de trabalho da biblioteca de fotos opera com 16 fotos no modo single-core e 64 fotos no modo multi-core.

Cargas de trabalho do desenvolvedor Geekbench 6

As cargas de trabalho do desenvolvedor no Geekbench 6 medem quão bem o seu dispositivo lida com tarefas típicas de desenvolvedor, como edição de texto, compilação de código e compactação de ativos.

Clang

O compilador Clang é usado para compilar o interpretador Lua, modelando o caso de uso de desenvolvedores construindo seu código e compilação just-in-time que os usuários frequentemente experimentarão em seus dispositivos. Ele usa musl libc como biblioteca padrão C para os arquivos compilados. Ele compila oito arquivos no modo single-core e 96 arquivos no modo multi-core.

Processamento de texto

O processamento de texto carrega vários arquivos, analisa seu conteúdo usando expressões regulares, armazena metadados em um banco de dados SQLite e exporta o conteúdo para um formato diferente. Ele modela algoritmos típicos de processamento de texto que manipulam, analisam e transformam dados para publicação e obtenção de insights.

Essa carga de trabalho é implementada em uma mistura de Python e C++, usando Python 3.9.0 e processando 190 arquivos markdown para entrada.

Compactação de ativos

A compactação de ativos compacta ativos texturais e geométricos 3D usando uma variedade de codecs de compactação populares, como ASTC, BC7 e DXT5. Ele modela os pipelines de compactação de conteúdo padrão usados ​​pelos desenvolvedores de jogos.

A carga de trabalho usa bc7enc para suas implementações BC& e DXTC e Arm ASTC Encoder para sua implementação ASTC.

Cargas de trabalho de aprendizado de máquina

As cargas de trabalho de aprendizado de máquina medem principalmente o quão bem sua CPU consegue lidar com o reconhecimento de objetos em imagens e cenas.

Detecção de objetos

A carga de trabalho de detecção de objetos faz uso de aprendizado de máquina para detectar e classificar objetos em fotos. Ele usa uma rede neural convolucional chamada SSD MobileNet v1 para detectar e classificar objetos em fotos, e as fotos são dimensionadas em 300x300 pixels. Ele executa as seguintes etapas para identificar objetos em uma imagem:

1. Carregue a foto
2. Extraia objetos da foto usando MobileNet v1 SSD
3. Gere uma pontuação de confiança ou detecção que represente a precisão da detecção
4. Desenhe uma caixa delimitadora ao redor do objeto e produza uma pontuação de confiança

A detecção de objetos processa 16 fotos no modo single-core e 64 fotos no modo multi-core.

Desfoque de fundo

A carga de trabalho de desfoque de fundo separa o primeiro plano do fundo em streams de vídeo e desfoca o fundo, assim como serviços como Zoom, Discord e Google Meet podem fazer.

Edição de imagem

As cargas de trabalho de edição de imagens medem o quão bem sua CPU pode lidar com edições de imagens simples e complexas.

Removedor de objetos

A carga de trabalho de remoção de objetos remove objetos de fotos e preenche a lacuna deixada para trás, modelando um preenchimento com reconhecimento de conteúdo e o Magic Eraser do próprio Google. A carga de trabalho recebe uma imagem de 3MP com uma região indesejável, e a carga de trabalho remove essa região e usa um esquema de pintura para reconstruir a lacuna deixada para trás.

Detecção de horizonte

A carga de trabalho de detecção de horizonte pode detectar e endireitar linhas de horizonte irregulares ou tortas para melhorar as fotos. Ele modela corretores de linha do horizonte em aplicativos de edição de fotos e usa o detector de bordas Canny para aplicar uma transformação de Hough para detectar a linha do horizonte. Ele usa uma foto de 48 MP como entrada.

Filtro de fotos

A carga de trabalho do filtro de fotos aplica filtros para melhorar a aparência das fotos, modelando filtros comuns em aplicativos de mídia social como o Instagram. Ele aplica os seguintes efeitos a 10 fotos diferentes, com fotos variando em tamanho de 3MP a 15MP.

• Filtros de cor e desfoque
• Ajustes de nível
• Corte e dimensionamento
• Composição de imagens

HDR

A carga de trabalho HDR combina seis fotos normais para criar uma única foto HDR colorida e vibrante. Ele modela recursos HDR encontrados em aplicativos modernos de câmera de smartphones, criando uma única imagem HDR de 16 MP a partir de seis imagens regulares de 16 MP.

Síntese de Imagens

Essas cargas de trabalho medem como sua CPU pode lidar com a criação de imagens totalmente artificiais.

Rastreador de raio

O traçado de raios está na moda e pode ser usado para gerar imagens fotorrealistas, modelando como os raios de luz interagem com objetos em cenas virtuais. Isso modela os processos de renderização que softwares de renderização 3D como Blender ou Cinema 4D usariam.

Estrutura do movimento

Estrutura a partir do movimento é uma técnica que gera geometria 3D a partir de múltiplas imagens 2D. Os sistemas de realidade aumentada usam técnicas como essas para compreender cenas do mundo real. Esta carga de trabalho obtém nove imagens 2D da mesma cena e constrói uma estimativa das coordenadas 3D dos pontos visíveis em ambas as imagens.

Como baixar o Geekbench

Geekbench é um dos benchmarks que as pessoas usam para testar dispositivos como os melhores telefones, laptops e comprimidos, e você pode baixá-lo no Loja de aplicativos da Apple, a Google Play Store e o site do Primate Labs.