AMD Ryzen 9 7845HX vs Apple M2 Max (30-GPU)

Cinebench 2024 (Single-Core)

Cinebench 2024 基准测试基于 Redshift 渲染引擎，该引擎也用于 Maxon 的 3D 程序 Cinema 4D。 基准测试每次运行 10 分钟，以测试处理器是否受到其发热的限制。

Cinebench 2024 (Multi-Core)

Cinebench 2024 基准测试的多核测试使用所有 CPU 核心，使用 Redshift 渲染引擎进行渲染，该引擎也用于 Maxons Cinema 4D。 基准测试运行时长为 10 分钟，以测试处理器是否受到发热量的限制。

Cinebench R23 (Single-Core)

Cinebench R23是Cinebench R20的下一代产品，也基于Cinema 4套件。Cinema 4是一款用于创建3D表单的软件。单核测试仅使用一个CPU核心，CPU核心的数量以及超线程技术将不会影响该项测试成绩。

Cinebench R23 (Multi-Core)

Cinebench R23是Cinebench R20的下一代产品，也基于Cinema 4套件。Cinema 4是一款用于创建3D表单的软件。多核测试涉及所有CPU核心，并且能充分利用超线程技术。

Geekbench 5, 64bit (Single-Core)

Geekbench 5是一个大量使用系统内存的跨平台基准测试。高速的系统内存将极大地提升测试成绩。单核测试仅使用一个CPU核心，CPU核心的数量以及超线程技术将不会影响该项测试成绩。

Geekbench 5, 64bit (Multi-Core)

Geekbench 5是一个大量使用系统内存的跨平台基准测试。高速的系统内存将极大地提升测试成绩。多核测试涉及所有CPU核心，并且能充分利用超线程技术。

Geekbench 6 (Single-Core)

Geekbench 6 は、最新のコンピューター、ノートブック、スマートフォンのベンチマークです。 新しいのは、たとえば big.LITTLE コンセプトに基づいてさまざまなサイズの CPU コアを組み合わせるなど、新しい CPU アーキテクチャの最適化された利用です。 シングルコア ベンチマークは、最速の CPU コアのパフォーマンスのみを評価します。ここでは、プロセッサ内の CPU コアの数は関係ありません。

Geekbench 6 (Multi-Core)

Geekbench 6 是现代计算机、笔记本电脑和智能手机的基准测试。 新的是对更新的 CPU 架构的优化利用，例如基于 big.LITTLE 概念并结合不同大小的 CPU 内核。 多核基准测试评估处理器所有 CPU 内核的性能。 AMD SMT 或 Intel 的超线程等虚拟线程改进对基准测试结果产生了积极影响。

核芯显卡FP32性能（单精度GFLOPS）

处理器核芯显卡的理论计算性能（32bit，以GFLOPS为单位）。GFLOPS表示核芯显卡每秒可以执行多少亿个浮点操作。

3DMark Time Spy ([graphics_score])

3DMark Time Spy 是测试计算机游戏能力的基准测试。 CPU和显卡（GPU）的性能都进行了测试。

根据3DMark Time Spy基准测试，该软件显示三个分数：总分，其中包括CPU和GPU的性能、图形分数和CPU分数。 由于我们只对此基准测试中的图形性能感兴趣，因此我们仅使用此基准测试中的图形点。 这些也构成了 3DMark Time Spy 总体评分的大部分。

注意：如果您将获得的分数与互联网上的其他值进行比较，请确保某些网站使用总分，而其他网站（例如我们）仅使用图形分数。

3DMark Time Spy 是实践中最好的 3D 基准测试之一，因为游戏性能的确定非常真实。

PassMark CPU Mark的估计结果

以下列出的CPU中，有一部分基准测试是由CPU-panda团队完成的。但是，大部分的CPU并没有被实际测试，其成绩由CPU-monkey团队的“秘密配方”估计得到。因此，这些分数不能准确反映实际的Passmark CPU基准测试，并且不受到PassMark Software私人有限公司的认可。

CPU 每瓦性能（效率）

Cinebench R23（多核）基准测试中满负载下处理器的效率。 基准测试结果除以所需的平均能量（CPU 封装功率，以瓦为单位）。 该值越高，CPU 在满负载下的效率越高。

人工智能 (AI) 和机器学习 (ML) 的性能

在人工智能 (AI) 和机器学习 (ML) 支持下的处理器可以处理许多计算，尤其是音频、图像和视频处理，比传统处理器快得多。 通过软件收集的数据越多，机器学习算法的性能就会提高。 ML 任务的处理速度比传统处理器快 10,000 倍。