Apple M1 Ultra (48-GPU) vs AMD EPYC 7543P

Cinebench 2024 (Single-Core)

Cinebench 2024 基準測試基於 Redshift 渲染引擎，該引擎也用於 Maxon 的 3D 程序 Cinema 4D。 基準測試每次運行 10 分鐘，以測試處理器是否受到其發熱的限制。

Cinebench 2024 (Multi-Core)

Cinebench 2024 基準測試的多核測試使用所有 CPU 核心，使用 Redshift 渲染引擎進行渲染，該引擎也用於 Maxons Cinema 4D。 基準測試運行時長為 10 分鐘，以測試處理器是否受到發熱量的限制。

Cinebench R23 (Single-Core)

Cinebench R23是Cinebench R20的下一代產品，也基於Cinema 4套件。Cinema 4是一款用於創建3D表單的軟體。單核測試僅使用一個CPU核心，CPU核心的數量以及超執行緒技術將不會影響該項測試成績。

Cinebench R23 (Multi-Core)

Cinebench R23是Cinebench R20的下一代產品，也基於Cinema 4套件。Cinema 4是一款用於創建3D表單的軟體。多核測試涉及所有CPU核心，並且能充分利用超執行緒技術。

Geekbench 5, 64bit (Single-Core)

Geekbench 5是一個大量使用系統記憶體的跨平臺基準測試。高速的系統記憶體將極大地提升測試成績。單核測試僅使用一個CPU核心，CPU核心的數量以及超執行緒技術將不會影響該項測試成績。

Geekbench 5, 64bit (Multi-Core)

Geekbench 5是一個大量使用系統記憶體的跨平臺基準測試。高速的系統記憶體將極大地提升測試成績。多核測試涉及所有CPU核心，並且能充分利用超執行緒技術。

Geekbench 6 (Single-Core)

Geekbench 6 是現代計算機、筆記本電腦和智能手機的基準測試。 新的是對更新的 CPU 架構的優化利用，例如基於 big.LITTLE 概念並結合不同大小的 CPU 內核。 單核基準測試僅評估最快的 CPU 內核的性能，與處理器中的 CPU 內核數量無關。

Geekbench 6 (Multi-Core)

Geekbench 6 是現代計算機、筆記本電腦和智能手機的基準測試。 新的是對更新的 CPU 架構的優化利用，例如基於 big.LITTLE 概念並結合不同大小的 CPU 內核。 多核基準測試評估處理器所有 CPU 內核的性能。 AMD SMT 或 Intel 的超線程等虛擬線程改進對基準測試結果產生了積極影響。

內建顯卡FP32性能(單精確度GFLOPS)

處理器內建顯卡的理論計算性能（32bit，以GFLOPS為單位）。GFLOPS表示內建顯卡每秒可以執行多少億個浮點操作。

Blender 3.1 Benchmark

在 Blender Benchmark 3.1 中，渲染場景“怪物”、“垃圾店”和“教室”，並測量系統所需的時間。 在我們的基準測試中，我們測試的是 CPU 而不是顯卡。 Blender 3.1 於 2022 年 3 月作為獨立版本發布。

PassMark CPU Mark的估計結果

以下列出的CPU中，有一部分基準測試是由CPU-panda團隊完成的。但是，大部分的CPU並沒有被實際測試，其成績由CPU-monkey團隊的“秘密配方”估計得到。因此，這些分數不能準確反映實際的Passmark CPU基準測試，並且不受到PassMark Software私人有限公司的認可。

V-Ray CPU-Render Benchmark

V-Ray 是製造商 Chaos 為設計師和藝術家提供的 3D 渲染軟件。 與許多其他渲染引擎不同，V-Ray 能夠進行所謂的混合渲染，其中 CPU 和 GPU 同時協同工作。

但是，我們使用的 CPU 基準測試（CPU Render Mode）僅使用系統的處理器。 使用的工作內存在 V-Ray 基準測試中起著重要作用。 對於我們的基準測試，我們使用製造商批准的最快 RAM 標準（不超頻）。

由於 V-Ray（包括 Autodesk 3ds Max、Maya、Cinema 4D、SketchUp、Unreal Engine 和 Blender）的高兼容性，它是一個經常使用的軟件。 例如，使用 V-Ray，可以渲染出外行人無法與普通照片區分開來的逼真圖像。

人工智能 (AI) 和機器學習 (ML) 的性能

在人工智能 (AI) 和機器學習 (ML) 支持下的處理器可以處理許多計算，尤其是音頻、圖像和視頻處理，比傳統處理器快得多。 通過軟件收集的數據越多，機器學習算法的性能就會提高。 ML 任務的處理速度比傳統處理器快 10,000 倍。