Intel Core i3-5010U vs Qualcomm Snapdragon 8c

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。

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-Z Benchmark 17 (Multi-Core)

CPU-Z 基准测试通过测量系统完成所有基准计算所需的时间来衡量处理器的性能。 基准测试完成得越快，分数就越高。

Cinebench R15 (Single-Core)

Cinebench R15是Cinebench 11.5的下一代产品，它也基于Cinema 4套件，Cinema 4是一个常用于生成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 R15 (Multi-Core)

Cinebench R15是Cinebench 11.5的下一代产品，它也基于Cinema 4套件，Cinema 4是一个常用于生成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 3, 64bit (Single-Core)

Geekbench 3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 3, 64bit (Multi-Core)

Geekbench 3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。

Cinebench R11.5, 64bit (Single-Core)

Cinebench 11.5基于Cinema 4D套件，Cinema 4D是一个常用于生成3D表单以及其他3D对象的软件。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 R11.5, 64bit (Multi-Core)

Cinebench 11.5基于Cinema 4D套件，Cinema 4D是一个常用于生成3D表单以及其他3D对象的软件。多核测试涉及所有CPU核心，并且能充分利用超线程技术。

Cinebench R11.5, 64bit (iGPU, OpenGL)

Cinebench 11.5基于Cinema 4D套件，Cinema 4D是一个常用于生成3D表单以及其他3D对象的软件。核芯显卡测试使用CPU核芯显卡执行OpenGL命令。

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。