Apple M2 Ultra (76-GPU) vs AMD EPYC 7713

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。

Blender 3.1 Benchmark

在 Blender Benchmark 3.1 中，渲染场景“怪物”、“垃圾店”和“教室”，并测量系统所需的时间。 在我们的基准测试中，我们测试的是 CPU 而不是显卡。 Blender 3.1 于 2022 年 3 月作为独立版本发布。

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。

Monero Hashrate kH/s

自 2019 年 11 月以来，加密货币 Monero 一直在使用 RandomX 算法。 这种 PoW（工作量证明）算法只能使用处理器 (CPU) 或显卡 (GPU) 进行合理计算。 CryptoNight 算法用于门罗币直到 2019 年 11 月，但它可以使用 ASIC 进行计算。 RandomX 受益于大量 CPU 内核、缓存和通过尽可能多的内存通道快速连接主内存。 使用 XMRig v6.x 测试。

要交易门罗币，您可以向加密经纪人 Kraken.com 注册。 我们已经在那里做了几年的客户，到目前为止一直非常满意。

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。