Geekbench: So funktioniert es tatsächlich

Geekbench ist einer der am häufigsten verwendeten Benchmarks, aber was genau ist das und wie funktioniert es?

Beim Benchmarking von Smartphones und Computern wird die Leistung der Geräte in verschiedenen Kategorien getestet. Sie können verschiedene Messwerte vergleichen, darunter Grafikleistung, künstliche Intelligenz und Rechenleistung. Geekbench ist ein Benchmark, der zu einem festen Bestandteil der Benchmarking-Welt geworden ist und sich hauptsächlich auf die Rechenleistung konzentriert. Geekbench 6 ist die neueste Version, aber was genau ist das? Was wird getestet und wie?

Was ist Geekbench?

Geekbench ist eine plattformübergreifende Benchmarking-Anwendung, die sowohl die Single-Core- als auch die Multi-Core-Rechenleistung Ihres Geräts bewerten kann. Diese Punktzahl kann als Vergleichspunkt mit benachbarten Geräten verwendet werden und wird anhand einer Basispunktzahl von 2.500 kalibriert, die laut Primate Labs der Punktzahl eines Dell Precision 3460 mit einem Intel Core i7-12700 entspricht. Zugegebenermaßen scheint ein Blick auf die Geekbench 6-Punktzahlen darauf hinzudeuten, dass diese bestimmte CPU im Single-Core-Modus nur knapp 2.000 Punkte erreicht, aber abgesehen davon gilt die Prämisse, dass ein Gerät mit einer Punktzahl von 5.000 die doppelte Leistung des i7-12700 haben soll.

Bei Geekbench 6 handelt es sich um die neuste Version der Geekbench-Benchmarking-Suite. Ziel ist es, die Fähigkeiten Ihres Smartphones auf eine Art und Weise zu messen, die bei der Nutzung eines der besten Telefone wirklich wichtig ist .

• Größere Fotos in Auflösungen, die mit modernen Smartphones aufgenommen wurden (12–48 MP)
• HTML-Beispiele, die repräsentativ für moderne Webdesign-Standards sind
• Eine größere Bildbibliothek für Importtests
• Größere Karten für Navigationstests
• Größere und modernere PDF-Beispiele
• Eine Erhöhung der Clang-Workloadgröße

Es gibt auch GPU-Berechnungstests und es können OpenCL, Metal und Vulkan getestet werden. Der GPU-Berechnungsbenchmark nutzt maschinelle Lernworkloads wie Hintergrundunschärfe und Gesichtserkennung, um die Objekterkennungsfunktionen zu testen. Darüber hinaus werden Bildbearbeitungsworkloads wie Horizonterkennung, Kantenerkennung und Gaußsche Unschärfe ausgeführt. Schließlich gibt es Bildsynthese-Workloads, die Feature-Matching und Stereo-Matching ausführen, sowie einen Simulationsbenchmark, der die Teilchenphysik simuliert.

Welche Plattformen unterstützt Geekbench 6?

Geekbench 6 unterstützt die folgenden Plattformen, mit Windows on Arm-Unterstützung für einige der besten Laptops, die mit Geekbench 6.1 ausgeliefert werden:

Plattform	Mindestversion	Die Architektur	Kommentar
Android	Android 10	AArch64, x64
iOS	iOS 15	AArch64
Linux	Ubuntu 18.04 LTS	AArch64, x64	CentOS, RHEL, weitere folgen
Mac OS	macOS 11	AArch64, x64
Windows	Windows 10	x64	AArch64 kommt mit Geekbench 6.1

Wie funktioniert der CPU-Benchmark von Geekbench?

Der CPU-Benchmark von Geekbench ist in eine Reihe von Schlüsseltests unterteilt, die einen Single-Core- und einen Multi-Core-Abschnitt haben. Jeder Abschnitt ist in zwei Unterabschnitte unterteilt: Integer-Workloads und Gleitkomma-Workloads. Zwischen jedem Test gibt es standardmäßig zwei Sekunden Pause, um die Auswirkungen thermischer Probleme auf die Leistung zu minimieren.

Geekbench 6 führte ein Shared-Task-Modell für Multithreading-Tests ein, bei dem Arbeitslasten auf mehrere Threads verteilt werden, um realistischere Arbeitslasten darzustellen. Zuvor verteilte Geekbench Arbeitslasten auf einzelne Threads, was zwar gut skalierbar ist, aber nur sehr wenig Kommunikation zwischen den Threads bietet. Bei Shared-Task-Modellen verarbeitet jeder Thread einen Teil einer größeren gemeinsamen Aufgabe. Dies ist nicht so gut skalierbar, stellt aber reale Anwendungsfälle besser dar.

Die Punktzahlen werden mithilfe eines gewichteten arithmetischen Mittels der Unterabschnittspunktzahlen berechnet, wobei der Unterabschnitt mit ganzzahligen Zahlen 65 % der Punktzahl ausmacht und der Unterabschnitt mit Gleitkommazahlen die restlichen 35 %.

Geekbench testet die Leistungsfähigkeit des Chipsatzes Ihres Geräts, indem es verschiedene Arten von Workloads testet, die in Kategorien unterteilt sind. Diese Kategorien sind in Produktivität, Entwickler, maschinelles Lernen und Bildsynthese unterteilt.

Geekbench 6 Produktivitäts-Workloads

Dabei handelt es sich um Arbeitslasten, die die Leistungsfähigkeit Ihres Geräts bei kritischen Aufgaben des Alltags testen.

Dateikomprimierung

Dateikomprimierungs-Workloads testen, wie gut Ihr Gerät Dateien mit verschiedenen Komprimierungsformaten komprimieren und dekomprimieren kann. Es modelliert Anwendungsfälle, in denen ein Benutzer eine Datei komprimieren möchte, um sie an jemand anderen zu senden, um Daten und Bandbreite zu reduzieren. Es komprimiert das Ruby 3.1.2-Quellarchiv, ein 75 MB großes Archiv mit 9.841 Dateien, mit LZ4- und ZSTD-Komprimierung. Anschließend überprüft es die komprimierten Dateien über einen SHA-1-Hash.

Diese Dateien werden dann mithilfe eines verschlüsselten Dateisystems im Arbeitsspeicher gespeichert. Dabei werden Anweisungen verwendet, die die AES-Verschlüsselung und -Entschlüsselung beschleunigen. Außerdem werden Anweisungen verwendet, die SHA-1-Hashing-Algorithmen beschleunigen.

Navigation

Wir verwenden Navigation auf allen möglichen Geräten, insbesondere auf Smartphones. Die Navigations-Workload zielt darauf ab, Wegbeschreibungen zwischen einer Reihe von Standorten zu erstellen und modelliert Personen, die Apps wie Google Maps im Offline-Modus verwenden. Dabei wird der Algorithmus von Dijkstra verwendet, um 24 verschiedene Routen auf zwei verschiedenen OpenStreetMap-Karten zu berechnen. Eine befindet sich in Waterloo, Ontario, und eine in Toronto, Ontario.

HTML5-Browser

Der HTML5-Browser öffnet eine Reihe von HTML5-Seiten und modelliert einen Benutzer, der in einem modernen Browser wie Chrome oder Safari im Internet surft. Er verwendet einen Headless-Browser und öffnet, analysiert, ordnet und rendert Texte und Bilder basierend auf beliebten Websites wie Instagram, Wikipedia und Ars Technica . Er verwendet die folgenden Bibliotheken:

• Google Gumbo als HTML-Parser
• litehtml als CSS-Parser, Layout- und Rendering-Engine
• FreeType als Font-Engine
• Anti-Grain Geometry als 2D-Grafik-Rendering-Bibliothek
• libjpeg-turbo und libpng als Bild-Codecs

Dieser Test rendert acht Seiten im Single-Core-Modus und 32 Seiten im Multi-Core-Modus.

PDF-Rendering

Die PDF-Render-Workload öffnet komplexe PDF-Dokumente mit PDFium, dem PDF-Renderer von Chrome. Es rendert PDFs von Parkkarten des American National Park Service mit Größen von 897 KB bis 1,5 MB. Diese Dateien enthalten große Vektorbilder, Linien und Text.

Dieser Test rendert vier PDFs im Single-Core-Modus und 16 PDFs im Multi-Core-Modus.

Fotobibliothek

Die Fotoorganisations-Workload kategorisiert und markiert Fotos basierend auf den darin enthaltenen Objekten und ermöglicht es Benutzern, ihre Fotos in Bildorganisations-Apps nach Schlüsselwörtern zu durchsuchen. Sie verwendet MobileNet 1.0 zum Klassifizieren von Fotos und eine SQLite-Datenbank zum Speichern der Foto-Metadaten zusammen mit ihren Tags.

Dieser Workload führt für jedes Foto die folgenden Schritte aus:

1. Dekomprimieren Sie das Foto aus einer komprimierten JPEG-Datei.
2. Speichern Sie Fotometadaten in einer SQLite-Datenbank. Diese Datenbank ist mit Metadaten für mehr als 70.000 Fotos vorbefüllt.
3. Erstellen Sie eine Miniaturansicht und kodieren Sie sie als JPEG.
4. Generieren Sie eine Miniaturansicht der Inferenz.
5. Führen Sie ein Bildklassifizierungsmodell auf der Inferenz-Miniaturansicht aus.
6. Speichern Sie Bildklassifizierungs-Tags in einer SQLite-Datenbank.

Die Arbeitslast der Fotobibliothek verarbeitet 16 Fotos im Single-Core-Modus und 64 Fotos im Multi-Core-Modus.

Geekbench 6-Entwickler-Workloads

Die Entwickler-Workloads in Geekbench 6 messen, wie gut Ihr Gerät mit typischen Entwickleraufgaben wie Textbearbeitung, Codekompilierung und Asset-Komprimierung zurechtkommt.

Klirren

Der Clang-Compiler wird zum Kompilieren des Lua-Interpreters verwendet und modelliert den Anwendungsfall von Entwicklern, die ihren Code erstellen, und Just-in-Time-Kompilierung, die Benutzer häufig auf ihren Geräten erleben. Er verwendet musl libc als C-Standardbibliothek für die kompilierten Dateien. Er kompiliert acht Dateien im Single-Core- und 96 Dateien im Multi-Core-Modus.

Textverarbeitung

Die Textverarbeitung lädt zahlreiche Dateien, analysiert deren Inhalt mithilfe regulärer Ausdrücke, speichert Metadaten in einer SQLite-Datenbank und exportiert den Inhalt in ein anderes Format. Sie modelliert typische Textverarbeitungsalgorithmen, die Daten zur Veröffentlichung und zum Gewinnen von Erkenntnissen bearbeiten, analysieren und transformieren.

Diese Arbeitslast wird in einer Mischung aus Python und C++ implementiert, wobei Python 3.9.0 verwendet und 190 Markdown-Dateien als Eingabe verarbeitet werden.

Asset-Komprimierung

Bei der Asset-Komprimierung werden 3D-Texturen und geometrische Assets mithilfe einer Vielzahl beliebter Komprimierungscodecs wie ASTC, BC7 und DXT5 komprimiert. Dabei werden die standardmäßigen Inhaltskomprimierungspipelines modelliert, die von Spieleentwicklern verwendet werden.

Die Arbeitslast verwendet bc7enc für ihre BC&- und DXTC-Implementierungen und Arm ASTC Encoder für ihre ASTC-Implementierung.

Machine Learning-Workloads

Die Workloads des maschinellen Lernens messen in erster Linie, wie gut Ihre CPU mit der Erkennung von Objekten in Bildern und Szenen zurechtkommt.

Objekterkennung

Die Objekterkennungs-Workload nutzt maschinelles Lernen, um Objekte in Fotos erkennen und klassifizieren zu können. Sie verwendet ein Convolutional Neural Network namens MobileNet v1 SSD, um Objekte in Fotos zu erkennen und zu klassifizieren. Die Fotos haben eine Größe von 300 x 300 Pixeln. Sie führt die folgenden Schritte aus, um Objekte in einem Bild zu identifizieren:

1. Laden Sie das Foto
2. Extrahieren Sie Objekte aus dem Foto mit MobileNet v1 SSD
3. Generieren Sie einen Konfidenz- oder Erkennungswert, der die Genauigkeit der Erkennung darstellt
4. Zeichnen Sie einen Begrenzungsrahmen um das Objekt und geben Sie einen Konfidenzwert aus

Die Objekterkennung verarbeitet 16 Fotos im Single-Core-Modus und 64 Fotos im Multi-Core-Modus.

Hintergrundunschärfe

Die Hintergrundunschärfe-Arbeitslast trennt in Videostreams den Vordergrund vom Hintergrund und verwischt den Hintergrund, genau wie es Dienste wie Zoom, Discord und Google Meet können.

Bildbearbeitung

Die Bildbearbeitungslast misst, wie gut Ihre CPU sowohl einfache als auch komplexe Bildbearbeitungen bewältigen kann.

Objektentferner

Die Objektentferner-Workload entfernt Objekte aus Fotos und füllt die verbleibende Lücke, indem sie eine inhaltsbasierte Füllung und Googles eigenen Magic Eraser modelliert. Der Workload wird ein 3-MP-Bild mit einem unerwünschten Bereich bereitgestellt, und die Workload entfernt diesen Bereich und verwendet ein Inpainting-Schema, um die verbleibende Lücke zu rekonstruieren.

Horizonterkennung

Die Workload zur Horizonterkennung kann unebene oder krumme Horizontlinien erkennen und begradigen, um Fotos zu verbessern. Sie modelliert Horizontlinienkorrektoren in Fotobearbeitungs-Apps und verwendet den Canny-Kantendetektor, um eine Hough-Transformation zur Erkennung der Horizontlinie anzuwenden. Als Eingabe wird ein 48-MP-Foto verwendet.

Foto Filter

Die Fotofilter-Workload wendet Filter an, um das Erscheinungsbild von Fotos zu verbessern, und modelliert gängige Filter in Social-Media-Apps wie Instagram. Sie wendet die folgenden Effekte auf 10 verschiedene Fotos an, wobei die Größe der Fotos zwischen 3 MP und 15 MP liegt.

• Farb- und Weichzeichnerfilter
• Pegelanpassungen
• Zuschneiden und Skalieren
• Bildkomposition

HDR

Der HDR-Workload fügt sechs normale Fotos zusammen, um ein einzelnes HDR-Foto zu erstellen, das farbenfroh und lebendig ist. Es modelliert HDR-Funktionen, die in modernen Smartphone-Kamera-Apps zu finden sind, und erstellt aus sechs normalen 16-MP-Bildern ein einzelnes 16-MP-HDR-Bild.

Bildsynthese

Diese Arbeitslasten messen, wie Ihre CPU mit der Erstellung vollständig künstlicher Bilder zurechtkommt.

Strahlentracer

Raytracing ist der letzte Schrei und kann verwendet werden, um fotorealistische Bilder zu erzeugen, indem modelliert wird, wie Lichtstrahlen mit Objekten in virtuellen Szenen interagieren. Dadurch werden die Rendering-Prozesse modelliert, die 3D-Rendering-Software wie Blender oder Cinema 4D verwenden würde.

Struktur aus Bewegung

Structure from Motion ist eine Technik, die 3D-Geometrie aus mehreren 2D-Bildern generiert. Augmented-Reality-Systeme verwenden solche Techniken, um reale Szenen zu verstehen. Dieser Workload nimmt neun 2D-Bilder derselben Szene und erstellt eine Schätzung der 3D-Koordinaten der Punkte, die in beiden Bildern sichtbar sind.

So laden Sie Geekbench herunter

Geekbench ist einer der am häufigsten verwendeten Benchmarks zum Testen von Geräten wie den besten Telefonen, Laptops und Tablets und Sie können es im Apple App Store , im Google Play Store und auf der Website von Primate Labs herunterladen .