Intel Core i9-11900 vs Qualcomm Snapdragon 670

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。

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。

3DMark Time Spy ([graphics_score])

3DMark Time Spy 是測試電腦遊戲能力的基準測試。 CPU和顯示卡（GPU）的效能都進行了測試。

根據3DMark Time Spy基準測試，軟體顯示三個分數：總分，其中包括CPU和GPU的效能、圖形分數和CPU分數。 由於我們只對此基準測試中的圖形效能感興趣，因此我們僅使用此基準測試中的圖形點。 這些也構成了 3DMark Time Spy 整體評分的大部分。

注意：如果您將獲得的分數與網路上的其他值進行比較，請確保某些網站使用總分，而其他網站（例如我們）僅使用圖形分數。

3DMark Time Spy 是實踐中最好的 3D 基準測試之一，因為遊戲效能的確定非常真實。

AnTuTu 8 Benchmark

AnTuTu 8基準測試可以衡量一個SoC（片上系統）的性能。通過類比流覽器和應用程式的使用，AnTuTu對CPU、GPU、記憶體以及UX（使用者體驗）進行基準測試。AnTuTu可以對運行在Android或iOS下的任何ARM CPU進行基準測試。如果基準測試是在不同的作業系統下執行的，成績可能不具有可比較性。 在AnTuTu 8基準測試中，處理器單核性能只占很小的比重。AnTuTu基準測試評估包括處理器的多核性能、RAM速度和GPU性能。

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。

CPU-Z Benchmark 17 (Multi-Core)

CPU-Z 基準測試通過測量系統完成所有基準計算所需的時間來衡量處理器的性能。 基準測試完成得越快，分數就越高。

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。

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。