Geekbench: Hur det faktiskt fungerar

Benchmarking av smartphones och datorer innebär att testa enhetens prestanda i några olika kategorier. Du kan jämföra olika mätvärden, inklusive grafisk prestanda, artificiell intelligens och beräkningar. Geekbench är ett riktmärke som har blivit en stapelvara i benchmarkingvärlden, och det är främst inriktat på beräkning. Geekbench 6 är den senaste versionen, men vad är det egentligen? Vad testar det och hur?

Vad är Geekbench?

Geekbench är en plattformsoberoende applikation för benchmarking som kan tillskriva en poäng till både enkelkärniga och flerkärniga beräkningsmöjligheter hos din enhet. Denna poäng kan användas som en jämförelse mot intilliggande enheter och är kalibrerad mot en baslinjepoäng på 2 500, vilket Primate Labs säger är poängen för en Dell Precision 3460 med en Intel Core i7-12700. Visserligen tycks det att bläddra igenom Geekbench 6-poängen peka på att just den CPU: n bara knappt skrapar 2000 poäng i enkärnig, men bortsett från det är förutsättningen att en enhet som får 5000 sägs ha dubbelt så hög prestanda som i7-12700.

När det gäller Geekbench 6 är det den senaste iterationen av Geekbench benchmarking-sviten, och den syftar till att mät din smartphones kapacitet på de sätt som faktiskt betyder något när det kommer till att använda någon av de bästa telefonerna.

• Större foton i upplösning tagna av moderna smartphones (12-48MP)
• HTML-exempel som representerar moderna webbdesignstandarder
• Ett större bibliotek med bilder för importtester
• Större kartor för navigationstester
• Större och modernare PDF-exempel
• En ökning av Clangs arbetsbelastningsstorlek

Det finns GPU-beräkningstester också, och det kan testa OpenCL, Metal och Vulkan. GPU-beräkningsriktmärket använder sig av maskininlärningsarbetsbelastningar som bakgrundsoskärpa och ansiktsdetektering för att testa objektigenkänningsfunktioner. Utöver det kör den bildredigeringsarbetsbelastningar, såsom horisontdetektering, kantdetektering och Gaussisk oskärpa. Slutligen finns det bildsyntesarbetsbelastningar som utför funktionsmatchning och stereomatchning, tillsammans med ett simuleringsriktmärke som simulerar partikelfysik.

Vilka plattformar stöder Geekbench 6?

Geekbench 6 stöder följande plattformar, med Windows on Arm-stöd för några av de bästa bärbara datorer kommer att komma med Geekbench 6.1:

Hur fungerar Geekbenchs CPU-riktmärke?

Geekbenchs CPU-riktmärke är uppdelat i ett antal nyckeltester som har en enkelkärnig och flerkärnig sektion. Varje sektion är grupperad i två undersektioner: heltalsarbetsbelastningar och flyttalsbelastningar. Det finns luckor mellan varje test på två sekunder som standard för att minimera effekten som termiska problem har på prestandan.

Geekbench 6 introducerade en delad uppgiftsmodell för multithreading-testning, där arbetsbelastningar delas över flera trådar för att representera mer realistiska arbetsbelastningar. Tidigare spred Geekbench arbetsbelastningar över enskilda trådar, vilket skalas bra men erbjuder väldigt lite kommunikation mellan trådarna. När det gäller modeller för delad uppgift, bearbetar varje tråd en del av en större delad uppgift. Det skalas inte lika bra men är mer representativt för verkliga användningsfall.

Poäng beräknas med hjälp av ett viktat aritmetiskt medelvärde av undersektionspoäng, med heltal undersektionen står för 65% av poängen och flyttals undersektionen står för återstående 35 %.

När det gäller hur Geekbench testar förmågan hos din enhets chipset, testar den olika typer av arbetsbelastningar uppdelade i kategorier. Dessa kategorier är uppdelade i produktivitet, utvecklare, maskininlärning och bildsyntes.

Geekbench 6 Produktivitetsarbetsbelastningar

Det här är arbetsbelastningar som testar hur prestanda din enhet är vid vardagliga kritiska uppgifter.

Filkomprimering

Arbetsbelastningar för filkomprimering testar hur bra din enhet är på att komprimera och dekomprimera filer med olika komprimeringsformat. Det modellerar användningsfall där en användare kan försöka komprimera en fil för att skicka till någon annan för att minska data och bandbredd. Den komprimerar källarkivet Ruby 3.1.2, som är ett 75 MB arkiv som innehåller 9 841 filer, med hjälp av LZ4- och ZSTD-komprimering. Den verifierar sedan de komprimerade filerna via en SHA-1-hash.

Dessa filer lagras sedan med ett i minnet krypterat filsystem, och denna arbetsbelastning använder instruktioner som påskyndar AES-kryptering och dekryptering. Den använder också instruktioner som accelererar SHA-1-hashningsalgoritmer.

Navigering

Vi använder navigering över alla typer av enheter, särskilt smartphones. Navigeringsarbetet syftar till att generera vägbeskrivningar mellan en sekvens av platser och modellerar personer som använder appar som Google Maps i offlineläge. Den använder Dijkstras algoritm för att beräkna 24 olika rutter på två olika OpenStreetMap-kartor. En är i Waterloo, Ontario, och en är i Toronto, Ontario.

HTML5 webbläsare

HTML5-webbläsaren öppnar ett antal HTML5-sidor och modellerar en användare som surfar på webben i en modern webbläsare som Chrome eller Safari. Den använder en huvudlös webbläsare och öppnar, analyserar, lägger ut och renderar texter och bilder baserat på populära webbplatser, inklusive Instagram, Wikipedia och Ars Technica. Den använder följande bibliotek:

• Google Gumbo som HTML-tolkare
• litehtml som CSS-parser-, layout- och renderingsmotor
• FreeType som teckensnittsmotor
• Anti-Grain Geometry som 2D-grafikrenderingsbibliotek
• libjpeg-turbo och libpng som bildcodec

Detta test återger åtta sidor i enkelkärnigt läge och 32 sidor i multikärnigt läge.

PDF-rendering

Arbetsbelastningen för PDF-rendering öppnar komplexa PDF-dokument med PDFium, som är Chromes PDF-renderare. Den återger PDF-filer av parkkartor från American National Park Service, med storlekar från 897 kb till 1,5 MB. Dessa filer innehåller stora vektorbilder, linjer och text.

Detta test renderar fyra PDF-filer i enkärnigt läge och 16 PDF-filer i flerkärnigt läge.

Fotobibliotek

Fotoorganisationens arbetsbelastning kategoriserar och taggar foton baserat på objekt de innehåller, vilket gör att användare kan söka sina foton efter nyckelord i appar för bildarrangör. Den använder MobileNet 1.0 för att klassificera foton och en SQLite-databas för att lagra fotometadata tillsammans med deras taggar.

Denna arbetsbelastning utför följande steg för varje foto:

1. Dekomprimera fotot från en komprimerad JPEG-fil.
2. Lagra fotometadata i en SQLite-databas. Denna databas är förfylld med metadata för mer än 70 000 foton.
3. Skapa en förhandsgranskningsminiatyr och koda den som en JPEG.
4. Generera en slutledningsminiatyr.
5. Kör en bildklassificeringsmodell på inferensminiatyren.
6. Lagra bildklassificeringstaggar i en SQLite-databas.

Fotobibliotekets arbetsbelastning fungerar på 16 foton i enkelkärnigt läge och 64 foton i multikärnläge.

Geekbench 6 arbetsbelastningar för utvecklare

Arbetsbelastningar för utvecklare i Geekbench 6 mäter hur väl din enhet hanterar typiska utvecklaruppgifter som textredigering, kodkompilering och tillgångskomprimering.

Klang

Clang-kompilatorn används för att kompilera Lua-tolken, som modellerar användningsfallet för utvecklare som bygger sin kod och just-in-time kompilering som användare ofta kommer att uppleva på sina enheter. Den använder musl libc som C-standardbibliotek för de kompilerade filerna. Den kompilerar åtta filer i single-core och 96 filer i multi-core-läge.

Textbehandling

Textbearbetning laddar många filer, analyserar deras innehåll med reguljära uttryck, lagrar metadata i en SQLite-databas och exporterar innehållet till ett annat format. Den modellerar typiska textbehandlingsalgoritmer som manipulerar, analyserar och transformerar data för publicering och insikt.

Denna arbetsbelastning är implementerad i en blandning av Python och C++, med Python 3.9.0 och bearbetar 190 markdown-filer för inmatning.

Tillgångskomprimering

Tillgångskomprimering komprimerar 3D-texturella och geometriska tillgångar med hjälp av en mängd populära komprimeringskodekar som ASTC, BC7 och DXT5. Den modellerar standardpipelines för innehållskomprimering som används av spelutvecklare.

Arbetsbelastningen använder bc7enc för sina BC&- och DXTC-implementeringar, och Arm ASTC Encoder för sin ASTC-implementering.

Maskininlärning arbetsbelastningar

Arbetsbelastningar för maskininlärning mäter i första hand hur väl din CPU kan hantera att känna igen objekt i bilder och scener.

Objektdetektion

Arbetsbelastningen för objektdetektering använder sig av maskininlärning så att den kan upptäcka och klassificera objekt i foton. Den använder ett konvolutionellt neuralt nätverk kallat MobileNet v1 SSD för att upptäcka och klassificera objekt i foton, och fotona har en storlek på 300x300 pixlar. Den utför följande steg för att identifiera objekt i en bild:

1. Ladda fotot
2. Extrahera objekt från fotot med MobileNet v1 SSD
3. Generera ett konfidens- eller detektionspoäng som representerar detekteringens noggrannhet
4. Rita en begränsningsram runt objektet och mata ut ett konfidenspoäng

Objektdetektering behandlar 16 foton i enkelkärnigt läge och 64 foton i multikärnläge.

Bakgrundsoskärpa

Arbetsbelastningen för bakgrundsoskärpa separerar förgrunden från bakgrunden i videoströmmar och gör bakgrunden suddig, precis som tjänster som Zoom, Discord och Google Meet kan göra.

Bildredigering

Arbetsbelastningar för bildredigering mäter hur väl din CPU kan hantera både enkla och komplexa bildredigeringar.

Objektborttagare

Arbetsbelastningen för objektborttagning tar bort objekt från foton och fyller i luckan som lämnas bakom, modellerar en innehållsmedveten fyllning och Googles egen Magic Eraser. Arbetsbelastningen tillhandahålls en 3MP-bild med en oönskad region, och arbetsbelastningen tar bort denna region och använder ett inpainting-schema för att rekonstruera gapet som lämnas kvar.

Horisontdetektering

Arbetsbelastningen för horisontdetektering kan upptäcka och räta ut ojämna eller krokiga horisontlinjer för att förbättra foton. Den modellerar horisontlinjekorrigerare i fotoredigeringsappar och använder Canny-kantdetektorn för att tillämpa en Hough-transformation för att upptäcka horisontlinjen. Den använder ett 48 MP-foto som ingång.

Fotofilter

Arbetsbelastningen med fotofilter tillämpar filter för att förbättra bildens utseende och modellerar vanliga filter i appar för sociala medier som Instagram. Den tillämpar följande effekter på 10 olika foton, med foton i storlek från 3MP till 15MP.

• Färg och oskärpa filter
• Nivåjusteringar
• Beskärning och skalning
• Bildsammansättning

HDR

HDR-arbetsbelastningen blandar sex vanliga foton för att skapa ett enda HDR-foto som är färgstarkt och levande. Den modellerar HDR-funktioner som finns i moderna kameraappar för smartphones och skapar en enda 16 MP HDR-bild från sex 16 MP vanliga bilder.

Bildsyntes

Dessa arbetsbelastningar mäter hur din CPU kan hantera att skapa helt konstgjorda bilder.

Ray spårare

Strålspårning är på modet, och det kan användas för att generera fotorealistiska bilder genom att modellera hur ljusstrålar interagerar med objekt i virtuella scener. Detta modellerar de renderingsprocesser som 3D-renderingsprogram som Blender eller Cinema 4D skulle använda.

Struktur från rörelse

Struktur från rörelse är en teknik som genererar 3D-geometri från flera 2D-bilder. Augmented reality-system använder tekniker som dessa för att förstå verkliga scener. Denna arbetsbelastning tar nio 2D-bilder av samma scen och konstruerar en uppskattning av 3D-koordinaterna för punkterna som är synliga i båda bilderna.

Hur man laddar ner Geekbench

Geekbench är ett av de bästa riktmärkena som människor använder för att testa enheter som de bästa telefonerna, bärbara datorerna och tabletter, och du kan ladda ner den från Apple App Store, Google Play Butik och Primate Labs webbplats.