La evaluación comparativa de teléfonos inteligentes y computadoras implica probar el rendimiento del dispositivo en algunas categorías diferentes. Puede comparar varias métricas diferentes, incluido el rendimiento gráfico, la inteligencia artificial y la computación. Geekbench es un punto de referencia que se ha convertido en un elemento básico del mundo de la evaluación comparativa y se centra principalmente en la computación. Geekbench 6 es la última versión, pero ¿qué es exactamente? ¿Qué prueba y cómo?
¿Qué es Geekbench?
Geekbench es una aplicación de evaluación comparativa multiplataforma que puede atribuir una puntuación a las capacidades computacionales de un solo núcleo y de varios núcleos de su dispositivo. Esta puntuación se puede utilizar como punto de comparación con dispositivos adyacentes y se calibra con una puntuación de referencia de 2500, que según Primate Labs es la puntuación de una Dell Precision 3460 con un Intel Core i7-12700. Es cierto que al examinar las puntuaciones de Geekbench 6 parece que esa CPU en particular apenas roza los 2000 puntos en un solo núcleo, pero aparte de eso, la premisa es que se dice que un dispositivo que obtiene una puntuación de 5000 tiene el doble de rendimiento que el i7-12700.
En el caso de Geekbench 6, se trata de la última versión de la suite de evaluación comparativa Geekbench, y tiene como objetivo medir las capacidades de su teléfono inteligente en las formas que realmente importan cuando se trata de usar cualquiera de losmejores teléfonos.
- Fotos más grandes en resoluciones capturadas por teléfonos inteligentes modernos (12-48MP)
- Ejemplos de HTML representativos de los estándares de diseño web modernos
- Una biblioteca más grande de imágenes para pruebas de importación
- Mapas más grandes para pruebas de navegación
- Ejemplos de PDF más grandes y modernos
- Un aumento en el tamaño de la carga de trabajo de Clang
También hay pruebas de computación de GPU y puede probar OpenCL, Metal y Vulkan. El punto de referencia de computación de GPU hace uso de cargas de trabajo de aprendizaje automático, como desenfoque de fondo y detección de rostros, para probar las capacidades de reconocimiento de objetos. Además de eso, ejecuta cargas de trabajo de edición de imágenes, como detección de horizonte, detección de bordes y desenfoque gaussiano. Por último, hay cargas de trabajo de síntesis de imágenes que ejecutan coincidencia de características y coincidencia estéreo, junto con un punto de referencia de simulación que simula la física de partículas.
¿Qué plataformas admite Geekbench 6?
Geekbench 6 es compatible con las siguientes plataformas, con soporte para Windows en Arm para algunas de lasmejores computadoras portátilesque vendrán con Geekbench 6.1:
Plataforma | Versión mínima | Arquitectura | Comentario |
Androide | Android 10 | AArch64, x64 | |
iOS | iOS 15 | Archivo AArch64 | |
Linux | Ubuntu 18.04 LTS | AArch64, x64 | CentOS, RHEL y más por venir |
macOS | macOS 11 | AArch64, x64 | |
Ventanas | Ventanas 10 | x64 | AArch64 llega con Geekbench 6.1 |
¿Cómo funciona el benchmark de CPU de Geekbench?
El benchmark de CPU de Geekbench se divide en una serie de pruebas clave que tienen una sección de un solo núcleo y una de varios núcleos. Cada sección se agrupa en dos subsecciones: cargas de trabajo de números enteros y cargas de trabajo de punto flotante. Hay intervalos de dos segundos entre cada prueba de forma predeterminada para minimizar el efecto que los problemas térmicos tienen en el rendimiento.
Geekbench 6 introdujo un modelo de tareas compartidas para pruebas multihilo, donde las cargas de trabajo se comparten entre varios subprocesos para representar cargas de trabajo más realistas. Anteriormente, Geekbench distribuía las cargas de trabajo entre subprocesos individuales, lo que escala bien pero ofrece muy poca comunicación entre subprocesos. En el caso de los modelos de tareas compartidas, cada subproceso procesa parte de una tarea compartida más grande. No escala tan bien, pero es más representativo de los casos de uso del mundo real.
Las puntuaciones se calculan utilizando una media aritmética ponderada de las puntuaciones de las subsecciones, donde la subsección de números enteros representa el 65 % de la puntuación y la subsección de punto flotante representa el 35 % restante.
En cuanto a la forma en que Geekbench prueba la capacidad del chipset de su dispositivo, prueba diferentes tipos de cargas de trabajo divididas en categorías. Estas categorías se dividen en productividad, desarrollador, aprendizaje automático y síntesis de imágenes.
Cargas de trabajo de productividad de Geekbench 6
Se trata de cargas de trabajo que ponen a prueba el rendimiento de su dispositivo en las tareas críticas cotidianas.
Compresión de archivos
Las cargas de trabajo de compresión de archivos prueban la eficacia de su dispositivo para comprimir y descomprimir archivos utilizando diferentes formatos de compresión. Modela casos de uso en los que un usuario puede intentar comprimir un archivo para enviárselo a otra persona con el fin de reducir los datos y el ancho de banda. Comprime el archivo fuente Ruby 3.1.2, que es un archivo de 75 MB que contiene 9841 archivos, utilizando compresión LZ4 y ZSTD. Luego, verifica los archivos comprimidos mediante un hash SHA-1.
Estos archivos se almacenan mediante un sistema de archivos cifrados en memoria y esta carga de trabajo utiliza instrucciones que aceleran el cifrado y descifrado AES. También utiliza instrucciones que aceleran los algoritmos de hash SHA-1.
Navegación
Utilizamos la navegación en todo tipo de dispositivos, especialmente en teléfonos inteligentes. La carga de trabajo de navegación tiene como objetivo generar direcciones entre una secuencia de ubicaciones y modela a personas que usan aplicaciones como Google Maps en modo sin conexión. Utiliza el algoritmo de Dijkstra para calcular 24 rutas diferentes en dos mapas OpenStreetMap diferentes. Uno está en Waterloo, Ontario, y el otro en Toronto, Ontario.
Navegador HTML5
El navegador HTML5 abre una serie de páginas HTML5 y modela a un usuario que navega por la web en un navegador moderno como Chrome o Safari. Utiliza un navegador sin interfaz gráfica y abre, analiza, presenta y renderiza textos e imágenes basados en sitios populares, incluidos Instagram, Wikipedia yArs Technica. Utiliza las siguientes bibliotecas:
- Google Gumbo como analizador HTML
- Litehtml como analizador CSS, motor de diseño y renderizado
- FreeType como motor de fuentes
- Geometría antigrano como biblioteca de renderizado de gráficos 2D
- libjpeg-turbo y libpng como códecs de imagen
Esta prueba procesa ocho páginas en modo de un solo núcleo y 32 páginas en modo de varios núcleos.
Representación de PDF
La carga de trabajo de renderizado de PDF abre documentos PDF complejos mediante PDFium, que es el renderizador de PDF de Chrome. Renderiza archivos PDF de mapas de parques del Servicio de Parques Nacionales de Estados Unidos, con tamaños que van desde 897 kb hasta 1,5 MB. Estos archivos contienen imágenes vectoriales de gran tamaño, líneas y texto.
Esta prueba procesa cuatro archivos PDF en modo de un solo núcleo y 16 archivos PDF en modo de varios núcleos.
Fototeca
La carga de trabajo de organización de fotografías clasifica y etiqueta las fotografías en función de los objetos que contienen, lo que permite a los usuarios buscar sus fotografías por palabra clave en las aplicaciones de organización de imágenes. Utiliza MobileNet 1.0 para clasificar las fotografías y una base de datos SQLite para almacenar los metadatos de las fotografías junto con sus etiquetas.
Esta carga de trabajo realiza los siguientes pasos para cada foto:
- Descomprima la foto de un archivo JPEG comprimido.
- Almacene los metadatos de las fotografías en una base de datos SQLite. Esta base de datos contiene metadatos de más de 70 000 fotografías.
- Genere una miniatura de vista previa y codifíquela como JPEG.
- Generar una miniatura de inferencia.
- Ejecute un modelo de clasificación de imágenes en la miniatura de inferencia.
- Almacene etiquetas de clasificación de imágenes en una base de datos SQLite.
La carga de trabajo de la biblioteca de fotografías funciona con 16 fotografías en modo de un solo núcleo y 64 fotografías en modo de varios núcleos.
Cargas de trabajo para desarrolladores de Geekbench 6
Las cargas de trabajo de los desarrolladores en Geekbench 6 miden qué tan bien su dispositivo maneja tareas típicas de los desarrolladores, como edición de texto, compilación de código y compresión de activos.
Sonido metálico
El compilador Clang se utiliza para compilar el intérprete de Lua, modelando el caso de uso de los desarrolladores que crean su código y la compilación en tiempo real que los usuarios experimentarán con frecuencia en sus dispositivos. Utiliza musl libc como la biblioteca estándar de C para los archivos compilados. Compila ocho archivos en modo de un solo núcleo y 96 archivos en modo de múltiples núcleos.
Procesamiento de texto
El procesamiento de texto carga numerosos archivos, analiza su contenido mediante expresiones regulares, almacena metadatos en una base de datos SQLite y exporta el contenido a un formato diferente. Modela algoritmos de procesamiento de texto típicos que manipulan, analizan y transforman datos para su publicación y obtención de información.
Esta carga de trabajo se implementa en una mezcla de Python y C++, utilizando Python 3.9.0 y procesando 190 archivos Markdown para la entrada.
Compresión de activos
La compresión de activos comprime activos geométricos y de textura 3D mediante una variedad de códecs de compresión populares, como ASTC, BC7 y DXT5. Modela los procesos de compresión de contenido estándar que utilizan los desarrolladores de juegos.
La carga de trabajo utiliza bc7enc para sus implementaciones BC& y DXTC, y Arm ASTC Encoder para su implementación ASTC.
Cargas de trabajo de aprendizaje automático
Las cargas de trabajo de aprendizaje automático miden principalmente qué tan bien su CPU puede reconocer objetos en imágenes y escenas.
Detección de objetos
La carga de trabajo de detección de objetos utiliza el aprendizaje automático para poder detectar y clasificar objetos en fotografías. Utiliza una red neuronal convolucional llamada MobileNet v1 SSD para detectar y clasificar objetos en fotografías, y las fotografías tienen un tamaño de 300 x 300 píxeles. Realiza los siguientes pasos para identificar objetos en una imagen:
- Cargar la foto
- Extraer objetos de la foto usando MobileNet v1 SSD
- Generar una puntuación de confianza o detección que represente la precisión de la detección.
- Dibuje un cuadro delimitador alrededor del objeto y genere una puntuación de confianza.
La detección de objetos procesa 16 fotos en modo de un solo núcleo y 64 fotos en modo de varios núcleos.
Desenfoque de fondo
La carga de trabajo de desenfoque de fondo separa el primer plano del fondo en las transmisiones de video y desenfoca el fondo, tal como lo pueden hacer servicios como Zoom, Discord y Google Meet.
Edición de imágenes
Las cargas de trabajo de edición de imágenes miden qué tan bien su CPU puede manejar ediciones de imágenes simples y complejas.
Eliminador de objetos
La carga de trabajo de eliminación de objetos elimina objetos de las fotos y rellena el espacio que queda, modelando un relleno que tiene en cuenta el contenido y el borrador mágico de Google. Se le proporciona a la carga de trabajo una imagen de 3 MP con una región no deseada y la carga de trabajo elimina esta región y utiliza un esquema de retoque para reconstruir el espacio que queda.
Detección del horizonte
La carga de trabajo de detección del horizonte puede detectar y enderezar líneas de horizonte irregulares o torcidas para mejorar las fotos. Modela correctores de líneas de horizonte en aplicaciones de edición de fotos y utiliza el detector de bordes Canny para aplicar una transformación de Hough para detectar la línea del horizonte. Utiliza una foto de 48 MP como entrada.
Filtro de fotografía
La carga de trabajo de filtros de fotos aplica filtros para mejorar la apariencia de las fotos, imitando los filtros comunes en aplicaciones de redes sociales como Instagram. Aplica los siguientes efectos a 10 fotos diferentes, con fotos que varían en tamaño desde 3 MP hasta 15 MP.
- Filtros de color y desenfoque
- Ajustes de nivel
- Recorte y escalado
- Composición de imágenes
Alto rango dinámico (HDR)
La carga de trabajo HDR combina seis fotos normales para crear una única foto HDR colorida y vibrante. Modela las funciones HDR que se encuentran en las aplicaciones de cámara de los teléfonos inteligentes modernos, creando una única imagen HDR de 16 MP a partir de seis imágenes normales de 16 MP.
Síntesis de imágenes
Estas cargas de trabajo miden cómo su CPU puede manejar la creación de imágenes completamente artificiales.
Trazador de rayos
El trazado de rayos está de moda y se puede utilizar para generar imágenes fotorrealistas modelando cómo los rayos de luz interactúan con los objetos en escenas virtuales. Esto modela los procesos de renderizado que utilizaría el software de renderizado 3D como Blender o Cinema 4D.
Estructura a partir del movimiento
La estructura a partir del movimiento es una técnica que genera geometría 3D a partir de múltiples imágenes 2D. Los sistemas de realidad aumentada utilizan técnicas como estas para comprender escenas del mundo real. Esta carga de trabajo toma nueve imágenes 2D de la misma escena y construye una estimación de las coordenadas 3D de los puntos que son visibles en ambas imágenes.
Cómo descargar Geekbench
Geekbench es uno de los puntos de referencia que la gente usa para probar dispositivos como los mejores teléfonos, computadoras portátiles ytabletas, y puede descargarlo desdeApple App Store, Google Play Store yel sitio web de Primate Labs.