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

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。

Monero Hashrate kH/s

自 2019 年 11 月以來，加密貨幣 Monero 一直在使用 RandomX 算法。 這種 PoW（工作量證明）算法只能使用處理器 (CPU) 或顯卡 (GPU) 進行合理計算。 CryptoNight 算法用於門羅幣直到 2019 年 11 月，但它可以使用 ASIC 進行計算。 RandomX 受益於大量 CPU 內核、緩存和通過盡可能多的內存通道快速連接主內存。 使用 XMRig v6.x 測試。

要交易門羅幣，您可以向加密經紀人 Kraken.com 註冊。 我們已經在那裡做了幾年的客戶，到目前為止一直非常滿意。

CPU 每瓦效能（效率）

Cinebench R23（多核心）基準測試中滿載下處理器的效率。 基準測試結果除以所需的平均能量（CPU 封裝功率，以瓦為單位）。 該值越高，CPU 在滿載下的效率越高。

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。