Geekbench: มันทำงานอย่างไร

การเปรียบเทียบสมาร์ทโฟนและคอมพิวเตอร์เกี่ยวข้องกับการทดสอบประสิทธิภาพของอุปกรณ์ในหมวดหมู่ต่างๆ สองสามประเภท คุณสามารถเปรียบเทียบหน่วยวัดต่างๆ ได้ รวมถึงประสิทธิภาพกราฟิก ปัญญาประดิษฐ์ และการคำนวณ Geekbench เป็นเกณฑ์มาตรฐานที่กลายมาเป็นแก่นของโลกแห่งการเปรียบเทียบ และเน้นไปที่การคำนวณเป็นหลัก Geekbench 6 เป็นเวอร์ชั่นล่าสุด แต่จริงๆ แล้วคืออะไรกันแน่? มันทดสอบอะไรและอย่างไร?

Geekbench คืออะไร?

Geekbench เป็นแอปพลิเคชันการเปรียบเทียบประสิทธิภาพข้ามแพลตฟอร์มที่สามารถให้คะแนนจากความสามารถในการคำนวณทั้งแบบคอร์เดี่ยวและมัลติคอร์ของอุปกรณ์ของคุณ คะแนนนี้สามารถใช้เป็นจุดเปรียบเทียบกับอุปกรณ์ที่อยู่ติดกันและสอบเทียบกับ คะแนนพื้นฐาน 2,500 ซึ่ง Primate Labs กล่าวว่าเป็นคะแนนของ Dell Precision 3460 ที่มี Intel Core i7-12700. เป็นที่ยอมรับว่าการเรียกดูคะแนน Geekbench 6 ดูเหมือนจะชี้ไปที่ CPU นั้นซึ่งแทบจะไม่ได้คะแนนถึง 2,000 คะแนนใน single-core แต่นอกเหนือจากนั้น หลักฐานก็คืออุปกรณ์ที่มีคะแนน 5,000 กล่าวกันว่ามีประสิทธิภาพเป็นสองเท่าของ i7-12700.

ในกรณีของ Geekbench 6 เป็นการทำซ้ำล่าสุดของชุดการวัดประสิทธิภาพ Geekbench และมีเป้าหมายที่จะ วัดความสามารถของสมาร์ทโฟนของคุณในวิธีที่มีความสำคัญจริงๆ เมื่อใช้สิ่งใดสิ่งหนึ่ง โทรศัพท์ที่ดีที่สุด.

• ภาพถ่ายที่ใหญ่ขึ้นด้วยความละเอียดที่ถ่ายโดยสมาร์ทโฟนสมัยใหม่ (12-48MP)
• ตัวอย่าง HTML เป็นตัวแทนของมาตรฐานการออกแบบเว็บไซต์สมัยใหม่
• คลังรูปภาพขนาดใหญ่ขึ้นสำหรับการทดสอบการนำเข้า
• แผนที่ขนาดใหญ่สำหรับการทดสอบการนำทาง
• ตัวอย่าง PDF ที่ใหญ่และทันสมัยยิ่งขึ้น
• การเพิ่มขนาดภาระงานของ Clang

มีการทดสอบการคำนวณ GPU ด้วยเช่นกัน และสามารถทดสอบ OpenCL, Metal และ Vulkan ได้ เกณฑ์มาตรฐานการคำนวณ GPU ใช้ปริมาณงานการเรียนรู้ของเครื่อง เช่น การเบลอพื้นหลังและการตรวจจับใบหน้า เพื่อทดสอบความสามารถในการจดจำวัตถุ ยิ่งไปกว่านั้น ยังรันปริมาณงานการแก้ไขภาพ เช่น การตรวจจับเส้นขอบฟ้า การตรวจจับขอบ และการเบลอแบบเกาส์เซียน สุดท้ายนี้ มีปริมาณงานการสังเคราะห์ภาพที่ดำเนินการจับคู่คุณสมบัติและการจับคู่สเตอริโอ พร้อมด้วยเกณฑ์มาตรฐานการจำลองที่จำลองฟิสิกส์ของอนุภาค

Geekbench 6 รองรับแพลตฟอร์มใดบ้าง?

Geekbench 6 รองรับแพลตฟอร์มต่อไปนี้ โดยรองรับ Windows on Arm สำหรับบางแพลตฟอร์ม แล็ปท็อปที่ดีที่สุด คาดว่าจะมาพร้อมกับ Geekbench 6.1:

เกณฑ์มาตรฐาน CPU ของ Geekbench ทำงานอย่างไร

เกณฑ์มาตรฐาน CPU ของ Geekbench แบ่งออกเป็นการทดสอบสำคัญๆ หลายประการที่มีส่วนแบบ single-core และ multi-core แต่ละส่วนจะถูกจัดกลุ่มออกเป็นสองส่วนย่อย: ปริมาณงานจำนวนเต็มและปริมาณงานจุดลอยตัว มีช่องว่างระหว่างการทดสอบแต่ละครั้งเป็นเวลาสองวินาทีตามค่าเริ่มต้นเพื่อลดผลกระทบที่ปัญหาด้านความร้อนมีต่อประสิทธิภาพการทำงาน

Geekbench 6 นำเสนอโมเดลงานที่ใช้ร่วมกันสำหรับการทดสอบแบบมัลติเธรด โดยจะมีการแชร์ปริมาณงานข้ามหลายเธรดเพื่อแสดงปริมาณงานที่สมจริงยิ่งขึ้น ก่อนหน้านี้ Geekbench กระจายปริมาณงานไปยังแต่ละเธรด ซึ่งปรับขนาดได้ดี แต่มีการสื่อสารระหว่างเธรดน้อยมาก ในกรณีของโมเดลงานที่ใช้ร่วมกัน แต่ละเธรดจะประมวลผลส่วนหนึ่งของงานที่ใช้ร่วมกันที่มีขนาดใหญ่กว่า มันไม่ได้ปรับขนาดเช่นกัน แต่เป็นตัวแทนของกรณีการใช้งานในโลกแห่งความเป็นจริงมากกว่า

คะแนนจะคำนวณโดยใช้ค่าเฉลี่ยเลขคณิตถ่วงน้ำหนักของคะแนนส่วนย่อยพร้อมจำนวนเต็ม ส่วนย่อยคิดเป็น 65% ของคะแนน และส่วนย่อยจุดลอยตัวคิดเป็น เหลืออีก 35%

สำหรับวิธีที่ Geekbench ทดสอบความสามารถของชิปเซ็ตอุปกรณ์ของคุณนั้น จะทดสอบปริมาณงานประเภทต่างๆ โดยแบ่งออกเป็นหมวดหมู่ หมวดหมู่เหล่านี้แบ่งออกเป็นประสิทธิภาพการทำงาน นักพัฒนา การเรียนรู้ของเครื่อง และการสังเคราะห์ภาพ

ปริมาณงานด้านประสิทธิภาพการทำงานของ Geekbench 6

สิ่งเหล่านี้คือปริมาณงานที่จะทดสอบว่าอุปกรณ์ของคุณมีประสิทธิภาพเพียงใดในงานที่สำคัญในแต่ละวัน

การบีบอัดไฟล์

ปริมาณงานการบีบอัดไฟล์จะทดสอบว่าอุปกรณ์ของคุณบีบอัดและขยายขนาดไฟล์ได้ดีเพียงใดโดยใช้รูปแบบการบีบอัดที่แตกต่างกัน โดยจำลองกรณีการใช้งานที่ผู้ใช้อาจต้องการบีบอัดไฟล์เพื่อส่งให้บุคคลอื่นเพื่อลดข้อมูลและแบนด์วิธ มันบีบอัดไฟล์เก็บถาวรซอร์ส Ruby 3.1.2 ซึ่งเป็นไฟล์เก็บถาวรขนาด 75MB ที่มีไฟล์ 9,841 ไฟล์ โดยใช้การบีบอัด LZ4 และ ZSTD จากนั้นจะตรวจสอบไฟล์ที่บีบอัดผ่านแฮช SHA-1

จากนั้นไฟล์เหล่านี้จะถูกจัดเก็บโดยใช้ระบบไฟล์ที่เข้ารหัสในหน่วยความจำ และปริมาณงานนี้จะใช้คำแนะนำที่เร่งการเข้ารหัสและถอดรหัส AES นอกจากนี้ยังใช้คำสั่งที่ช่วยเร่งอัลกอริธึมการแฮช SHA-1

การนำทาง

เราใช้การนำทางบนอุปกรณ์ทุกประเภท โดยเฉพาะสมาร์ทโฟน ปริมาณงานการนำทางมีจุดมุ่งหมายเพื่อสร้างเส้นทางระหว่างลำดับของสถานที่ และจำลองผู้คนที่ใช้แอปอย่าง Google Maps ในโหมดออฟไลน์ ใช้อัลกอริธึมของ Dijkstra ในการคำนวณ 24 เส้นทางที่แตกต่างกันบนแผนที่ OpenStreetMap สองแผนที่ แห่งหนึ่งอยู่ในวอเตอร์ลู ออนแทรีโอ และอีกแห่งหนึ่งอยู่ในโตรอนโต ออนแทรีโอ

เบราว์เซอร์ HTML5

เบราว์เซอร์ HTML5 เปิดหน้า HTML5 จำนวนหนึ่งและจำลองสถานการณ์ที่ผู้ใช้เรียกดูเว็บในเบราว์เซอร์สมัยใหม่ เช่น Chrome หรือ Safari ใช้เบราว์เซอร์แบบไม่มีส่วนหัวและเปิด แยกวิเคราะห์ จัดวาง และเรนเดอร์ข้อความและรูปภาพตามไซต์ยอดนิยม รวมถึง Instagram, Wikipedia และ อาท เทคนิคิกา. มันใช้ไลบรารีต่อไปนี้:

• Google Gumbo เป็นตัวแยกวิเคราะห์ HTML
• litehtml เป็นตัวแยกวิเคราะห์ CSS เลย์เอาต์ และเอ็นจิ้นการเรนเดอร์
• FreeType เป็นเครื่องมือแบบอักษร
• Anti-Grain Geometry เป็นไลบรารีการเรนเดอร์กราฟิก 2D
• libjpeg-turbo และ libpng เป็นตัวแปลงสัญญาณรูปภาพ

การทดสอบนี้แสดงผลแปดหน้าในโหมด single-core และ 32 หน้าในโหมด multi-core

การเรนเดอร์ PDF

ปริมาณงานการเรนเดอร์ PDF จะเปิดเอกสาร PDF ที่ซับซ้อนโดยใช้ PDFium ซึ่งเป็นตัวเรนเดอร์ PDF ของ Chrome มันแสดงแผนที่อุทยานในรูปแบบ PDF จาก American National Park Service โดยมีขนาดตั้งแต่ 897kb ถึง 1.5MB ไฟล์เหล่านี้ประกอบด้วยภาพเวกเตอร์ เส้น และข้อความขนาดใหญ่

การทดสอบนี้แสดงผล PDF สี่ไฟล์ในโหมด single-core และ 16 PDF ในโหมด multi-core

ห้องสมุดรูปภาพ

ปริมาณงานการจัดระเบียบรูปภาพจะจัดหมวดหมู่และแท็กรูปภาพตามออบเจ็กต์ที่มีอยู่ ทำให้ผู้ใช้สามารถค้นหารูปภาพด้วยคำสำคัญในแอปจัดการรูปภาพ ใช้ MobileNet 1.0 เพื่อจัดประเภทรูปภาพและฐานข้อมูล SQLite เพื่อจัดเก็บข้อมูลเมตาของรูปภาพข้างแท็ก

เวิร์กโหลดนี้ดำเนินการตามขั้นตอนต่อไปนี้สำหรับรูปภาพแต่ละรูป:

1. ขยายขนาดรูปภาพจากไฟล์ JPEG ที่ถูกบีบอัด
2. จัดเก็บข้อมูลเมตาของรูปภาพในฐานข้อมูล SQLite ฐานข้อมูลนี้ได้รับการเติมข้อมูลเมตาไว้ล่วงหน้าสำหรับรูปภาพมากกว่า 70,000 ภาพ
3. สร้างภาพขนาดย่อตัวอย่างและเข้ารหัสเป็น JPEG
4. สร้างภาพขนาดย่อของการอนุมาน
5. เรียกใช้โมเดลการจัดหมวดหมู่รูปภาพบนภาพขนาดย่อของการอนุมาน
6. จัดเก็บแท็กการจำแนกประเภทรูปภาพในฐานข้อมูล SQLite

เวิร์กโหลดไลบรารีรูปภาพทำงานกับรูปภาพ 16 รูปในโหมด single-core และ 64 รูปในโหมด multi-core

ปริมาณงานของนักพัฒนา Geekbench 6

ปริมาณงานของนักพัฒนาใน Geekbench 6 วัดว่าอุปกรณ์ของคุณจัดการกับงานทั่วไปของนักพัฒนา เช่น การแก้ไขข้อความ การคอมไพล์โค้ด และการบีบอัดเนื้อหาได้ดีเพียงใด

เสียงดังกราว

คอมไพเลอร์ Clang ใช้เพื่อคอมไพล์ล่าม Lua ซึ่งเป็นการสร้างแบบจำลองกรณีการใช้งานของนักพัฒนาที่สร้างโค้ดและการคอมไพล์แบบทันเวลาซึ่งผู้ใช้มักพบบนอุปกรณ์ของตน ใช้ musl libc เป็นไลบรารีมาตรฐาน C สำหรับไฟล์ที่คอมไพล์ มันรวบรวมแปดไฟล์ใน single-core และ 96 ไฟล์ในโหมด multi-core

การประมวลผลข้อความ

การประมวลผลข้อความจะโหลดไฟล์จำนวนมาก แยกวิเคราะห์เนื้อหาโดยใช้นิพจน์ทั่วไป จัดเก็บข้อมูลเมตาในฐานข้อมูล SQLite และส่งออกเนื้อหาเป็นรูปแบบอื่น โดยจะจำลองอัลกอริธึมการประมวลผลข้อความทั่วไปที่จัดการ วิเคราะห์ และแปลงข้อมูลเพื่อการเผยแพร่และข้อมูลเชิงลึก

ปริมาณงานนี้ถูกนำมาใช้โดยใช้ Python และ C++ ผสมกัน โดยใช้ Python 3.9.0 และประมวลผลไฟล์มาร์กดาวน์ 190 ไฟล์สำหรับอินพุต

การบีบอัดสินทรัพย์

การบีบอัดเนื้อหาจะบีบอัดเนื้อหาพื้นผิวและเรขาคณิต 3 มิติโดยใช้ตัวแปลงสัญญาณการบีบอัดยอดนิยมที่หลากหลาย เช่น ASTC, BC7 และ DXT5 โดยจำลองไปป์ไลน์การบีบอัดเนื้อหามาตรฐานที่นักพัฒนาเกมใช้

ปริมาณงานใช้ bc7enc สำหรับการใช้งาน BC& และ DXTC และใช้ Arm ASTC Encoder สำหรับการใช้งาน ASTC

ปริมาณงานการเรียนรู้ของเครื่อง

ปริมาณงานการเรียนรู้ของเครื่องจะวัดว่า CPU ของคุณสามารถจัดการการรับรู้วัตถุในภาพและฉากได้ดีเพียงใด

การตรวจจับวัตถุ

ปริมาณงานการตรวจจับวัตถุใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อให้สามารถตรวจจับและจัดประเภทวัตถุในภาพถ่ายได้ ใช้โครงข่ายประสาทเทียมที่เรียกว่า MobileNet v1 SSD เพื่อตรวจจับและจัดประเภทวัตถุในรูปภาพ และรูปภาพจะมีขนาด 300x300 พิกเซล โดยทำตามขั้นตอนต่อไปนี้เพื่อระบุวัตถุในภาพ:

1. โหลดรูปภาพ
2. แยกวัตถุออกจากภาพถ่ายโดยใช้ MobileNet v1 SSD
3. สร้างคะแนนความเชื่อมั่นหรือการตรวจจับที่แสดงถึงความแม่นยำของการตรวจจับ
4. วาดกรอบล้อมรอบวัตถุแล้วแสดงคะแนนความเชื่อมั่น

การตรวจจับวัตถุจะประมวลผลภาพถ่าย 16 ภาพในโหมดแกนเดียว และ 64 ภาพในโหมดมัลติคอร์

พื้นหลังเบลอ

ปริมาณงานการเบลอพื้นหลังจะแยกพื้นหน้าออกจากพื้นหลังในสตรีมวิดีโอ และเบลอพื้นหลัง เช่นเดียวกับที่บริการต่างๆ เช่น Zoom, Discord และ Google Meet ทำได้

การแก้ไขภาพ

ปริมาณงานการแก้ไขรูปภาพจะวัดว่า CPU ของคุณสามารถรองรับการแก้ไขรูปภาพทั้งแบบง่ายและซับซ้อนได้ดีเพียงใด

เครื่องกำจัดวัตถุ

ปริมาณงานการลบวัตถุจะลบวัตถุออกจากภาพถ่ายและเติมเต็มช่องว่างที่ทิ้งไว้ สร้างแบบจำลองการเติมที่รับรู้เนื้อหาและ Magic Eraser ของ Google เอง ปริมาณงานจะได้รับรูปภาพ 3MP ที่มีขอบเขตที่ไม่พึงประสงค์ และปริมาณงานจะลบขอบเขตนี้ออก และใช้รูปแบบการลงสีเพื่อสร้างช่องว่างที่ทิ้งไว้เบื้องหลังขึ้นมาใหม่

การตรวจจับขอบฟ้า

ปริมาณงานในการตรวจจับเส้นขอบฟ้าสามารถตรวจจับและปรับเส้นขอบฟ้าที่ไม่สม่ำเสมอหรือคดเคี้ยวให้ตรง เพื่อปรับปรุงภาพถ่าย โดยจะจำลองตัวแก้ไขเส้นขอบฟ้าในแอปแก้ไขภาพ และใช้ตัวตรวจจับขอบ Canny เพื่อใช้การแปลง Hough เพื่อตรวจจับเส้นขอบฟ้า มันใช้ภาพถ่าย 48MP เป็นอินพุต

ฟิลเตอร์ภาพถ่าย

ปริมาณงานฟิลเตอร์รูปภาพใช้ฟิลเตอร์เพื่อปรับปรุงรูปลักษณ์ของรูปภาพ โดยสร้างโมเดลฟิลเตอร์ทั่วไปในแอปโซเชียลมีเดีย เช่น Instagram โดยจะใช้เอฟเฟกต์ต่อไปนี้กับภาพถ่ายที่แตกต่างกัน 10 ภาพ โดยภาพถ่ายมีขนาดตั้งแต่ 3MP ถึง 15MP

• ฟิลเตอร์สีและเบลอ
• การปรับระดับ
• การครอบตัดและการปรับขนาด
• การจัดองค์ประกอบภาพ

เอชดีอาร์

ปริมาณงาน HDR จะผสมผสานภาพถ่ายปกติ 6 ภาพเพื่อสร้างภาพถ่าย HDR ภาพเดียวที่มีสีสันสดใสและมีชีวิตชีวา โดยจำลองคุณสมบัติ HDR ที่พบในแอพกล้องสมาร์ทโฟนสมัยใหม่ โดยสร้างภาพ HDR ความละเอียด 16MP ภาพเดียวจากภาพปกติความละเอียด 16MP จำนวน 6 ภาพ

การสังเคราะห์ภาพ

ปริมาณงานเหล่านี้จะวัดว่า CPU ของคุณสามารถจัดการกับการสร้างภาพเทียมทั้งหมดได้อย่างไร

เรย์ เทรเซอร์

การติดตามรังสีเป็นสิ่งที่ได้รับความนิยมอย่างมาก และสามารถใช้เพื่อสร้างภาพที่สมจริงด้วยการสร้างแบบจำลองว่ารังสีแสงมีปฏิสัมพันธ์กับวัตถุในฉากเสมือนจริงอย่างไร นี่เป็นการจำลองกระบวนการเรนเดอร์ที่ซอฟต์แวร์เรนเดอร์ 3D เช่น Blender หรือ Cinema 4D จะใช้

โครงสร้างจากการเคลื่อนไหว

โครงสร้างจากการเคลื่อนไหวเป็นเทคนิคที่สร้างเรขาคณิต 3 มิติจากภาพ 2 มิติหลายๆ ภาพ ระบบความเป็นจริงเสริมใช้เทคนิคเช่นนี้เพื่อทำความเข้าใจฉากในโลกแห่งความเป็นจริง ปริมาณงานนี้จะถ่ายภาพ 2D จำนวน 9 ภาพในฉากเดียวกัน และสร้างค่าประมาณพิกัด 3D ของจุดที่มองเห็นได้ในทั้งสองภาพ

วิธีดาวน์โหลด Geekbench

Geekbench เป็นหนึ่งในเกณฑ์มาตรฐานที่ผู้คนใช้ในการทดสอบอุปกรณ์ เช่น โทรศัพท์ แล็ปท็อป และที่ดีที่สุด แท็บเล็ตและคุณสามารถดาวน์โหลดได้จาก แอปเปิล แอพสโตร์, Google Play Store และ เว็บไซต์ Primate Labs.