MediaTek Dimensity 9000 vs Apple M2 (8-GPU)

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。

AnTuTu 9 Benchmark

AnTuTu 9 基準測試非常適合衡量智能手機的性能。 AnTuTu 9 在 3D 圖形上相當重，現在也可以使用“金屬”圖形界面。 在 AnTuTu 中，內存和 UX（用戶體驗）也通過模擬瀏覽器和應用程序的使用情況進行測試。 AnTuTu 版本 9 可以比較任何運行在 Android 或 iOS 上的 ARM CPU。 在不同操作系統上進行基準測試時，設備可能無法直接比較。

在 AnTuTu 9 基準測試中，處理器的單核性能僅被略微加權。 該評級由處理器的多核性能、工作內存的速度和內部顯卡的性能組成。

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。

Blender 2.81 (bmw27)

Blender是一個免費的3D圖形軟體，用於渲染（創建）3D物體，也可以為3D物體添加紋理和動畫。Blender基準測試可以創建預定義的場景，並測量渲染整個場景所需的時間。所需的時間越短越好。我們選擇bmw27作為基準測試場景。

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。