Công cụ đo hiệu năng Geekbench 7 bất ngờ lộ diện, hé lộ những kết quả đầu tiên

Theo thông tin từ IT ngày 23 tháng 7, một số người dùng phản hồi rằng công cụ đo điểm chuẩn CPU Geekbench 7 đã âm thầm xuất hiện. Hiện tại, đã có nhiều kết quả đo điểm Geekbench 7 được tải lên nền tảng, với thời điểm tải lên sớm nhất là ngày 21 tháng 7.

Tuy nhiên, các phiên bản phần mềm trên trang chủ chính thức của Geekbench hiện vẫn là Geekbench 6.

Một blogger cho biết, trong bài kiểm tra Geekbench 7, điểm đa nhân CPU của M5 MacBook Pro cao hơn so với Geekbench 6, nhưng điểm đơn nhân lại thấp hơn.

Phía Geekbench chưa đưa ra thông báo chính thức nào, nhưng IT đã có được tài liệu giới thiệu về Geekbench 7:

Điểm chuẩn CPU Geekbench 7 được sử dụng để đánh giá và tối ưu hóa hiệu năng CPU và bộ nhớ thông qua các khối lượng công việc bao gồm nén dữ liệu, xử lý hình ảnh, học máy (machine learning) và biên dịch mã nguồn. Hiệu năng của các tác vụ này rất quan trọng đối với nhiều ứng dụng người dùng cuối, bao gồm trình duyệt web, trình chỉnh sửa ảnh và các công cụ dành cho nhà phát triển.

Điểm số của Geekbench 7 được hiệu chuẩn dựa trên mốc 2500 điểm (đây là điểm số của máy tính Lenovo Legion trang bị bộ vi xử lý AMD Ryzen 7 7700). Điểm số càng cao càng tốt, và điểm số gấp đôi đồng nghĩa với hiệu năng gấp đôi.

Khối lượng công việc về năng suất (Productivity Workloads)

Khối lượng công việc về năng suất đo lường hiệu năng CPU của bạn khi xử lý các tác vụ quan trọng hàng ngày, bao gồm nén dữ liệu, nén hình ảnh, duyệt web và đồ họa 2D.

Nén tệp: Khối lượng công việc nén tệp sử dụng các định dạng nén khác nhau để nén và giải nén một lượng lớn tệp tin. Nó mô phỏng cách người dùng và các ứng dụng phần mềm nén tệp để giảm dữ liệu và mức sử dụng băng thông (ví dụ: nén ảnh và tệp khi gửi email). Khối lượng công việc nén tệp sử dụng ba định dạng nén khác nhau (LZ4, zlib và Zstandard) để nén và giải nén ba tệp lưu trữ khác nhau (một tệp chứa mã nguồn, một tệp chứa mã đối tượng và một tệp chứa văn bản). Nó cũng sử dụng hàm SHA1 (Secure Hash Algorithm 1) để xác thực các tệp này.

Điều hướng: Khối lượng công việc điều hướng được sử dụng để tạo lộ trình giữa một loạt các địa điểm và vẽ các lộ trình đó trên bản đồ. Nó mô phỏng kịch bản người dùng yêu cầu lộ trình từ các ứng dụng điều hướng ngoại tuyến (ví dụ: Google Maps ngoại tuyến). Khối lượng công việc này sử dụng thuật toán Dijkstra để tính toán 24 lộ trình khác nhau trên hai bản đồ OpenStreetMap — một bản đồ là thành phố nhỏ (Waterloo, Ontario) và bản đồ kia là thành phố lớn (Toronto, Ontario).

Trình duyệt HTML5: Khối lượng công việc trình duyệt HTML5 sử dụng trình duyệt web để hiển thị (render) các trang web. Nó mô phỏng kịch bản người dùng sử dụng trình duyệt (như Google Chrome hoặc Apple Safari) để duyệt web. Khối lượng công việc này sử dụng trình duyệt không giao diện (headless browser) để mở, phân tích cú pháp, bố cục và hiển thị nội dung từ tám trang web phổ biến (như Ars Technica, Instagram và Wikipedia).

Trình xem PDF: Khối lượng công việc trình xem PDF sử dụng PDFium (trình hiển thị PDF của Google Chrome) để mở các tệp PDF (Portable Document Format) phức tạp. Nó mô phỏng kịch bản người dùng mở và xem các tệp PDF có độ phức tạp khác nhau. Khối lượng công việc này sẽ hiển thị sáu tệp PDF với độ phức tạp khác nhau, bao gồm bản đồ công viên của Cục Công viên Quốc gia Hoa Kỳ, một tài liệu kỹ thuật và một bản tóm tắt học thuật.

Thư viện ảnh: Khối lượng công việc thư viện ảnh sẽ phân loại và gắn thẻ ảnh dựa trên các đối tượng có trong ảnh. Khối lượng công việc thư viện ảnh mô phỏng quá trình nhập, sắp xếp và gắn thẻ ảnh dựa trên các đối tượng được phát hiện. Điều này cho phép người dùng tìm kiếm ảnh theo từ khóa trong các ứng dụng thư viện ảnh như Adobe Lightroom, Apple Photos và Google Photos. Khối lượng công việc này có thể nhập ảnh ở định dạng JPEG, JPEG-XL và DNG, tạo hình thu nhỏ (thumbnail) và sử dụng học máy (sử dụng mô hình MobileNetV1 SSD) để gắn thẻ ảnh, đồng thời lưu trữ siêu dữ liệu và thẻ đã tạo vào cơ sở dữ liệu SQLite.

Khối lượng công việc dành cho nhà phát triển (Developer Workloads)

Khối lượng công việc dành cho nhà phát triển đo lường hiệu năng CPU của bạn khi xử lý các tác vụ điển hình của nhà phát triển, như xử lý tệp văn bản, biên dịch mã nguồn và nén tài nguyên.

Clang: Khối lượng công việc Clang sử dụng trình biên dịch Clang để biên dịch trình thông dịch Lua, một trình thông dịch ngôn ngữ mã nguồn mở phổ biến. Nó mô phỏng kịch bản nhà phát triển xây dựng mã nguồn, cũng như việc biên dịch tức thời (JIT compilation) mà người dùng phổ thông có thể gặp phải trên hệ thống của họ (ví dụ: biên dịch JIT cho Java Script và biên dịch ngôn ngữ đổ bóng trong trình điều khiển GPU).

Xử lý văn bản: Khối lượng công việc xử lý văn bản tải nhiều tệp, sử dụng biểu thức chính quy (regex) để phân tích nội dung, lưu trữ siêu dữ liệu vào cơ sở dữ liệu SQLite và cuối cùng xuất nội dung sang định dạng khác. Nó mô phỏng các tác vụ xử lý văn bản điển hình, thao tác, phân tích và chuyển đổi dữ liệu để định dạng lại cho mục đích xuất bản và thu thập thông tin chi tiết. Khối lượng công việc này sử dụng Python 3.13 làm trình thông dịch và chuyển đổi 190 tệp Markdown sang HTML.

Nén tài nguyên: Khối lượng công việc nén tài nguyên sử dụng các codec nén phổ biến để nén các tài nguyên kết cấu (texture) và hình học (geometry). Nó mô phỏng quy trình nén nội dung được các nhà phát triển trò chơi sử dụng. Khối lượng công việc này sử dụng codec ASTC và BC7 để nén sáu tài nguyên kết cấu và sử dụng thư viện Draco để nén bốn tài nguyên hình học.

Chỉnh sửa hình ảnh (Image Editing)

Khối lượng công việc chỉnh sửa hình ảnh đo lường khả năng của CPU trong việc xử lý các tác vụ chỉnh sửa hình ảnh từ đơn giản đến phức tạp.

HDR: Khối lượng công việc HDR trộn các ảnh có dải tương phản động tiêu chuẩn (SDR) lại với nhau để tạo ra một bức ảnh có dải tương phản động cao (HDR) sống động và nhiều màu sắc hơn bất kỳ bức ảnh SDR riêng lẻ nào. Nó mô phỏng tính năng HDR tiêu chuẩn trong các ứng dụng máy ảnh điện thoại thông minh hiện đại (như Google Camera và Apple Camera). Khối lượng công việc này sẽ tạo ra một hình ảnh HDR 16MP từ sáu bức ảnh SDR 16MP.

Trình chỉnh sửa ảnh: Khối lượng công việc trình chỉnh sửa ảnh thực hiện một loạt các thao tác chỉnh sửa trên ảnh, chẳng hạn như cắt, điều chỉnh màu sắc và chỉnh sửa chi tiết. Nó bắt chước các tính năng chỉnh sửa trong các ứng dụng chỉnh sửa ảnh (như Adobe Photoshop hoặc Apple Photos). Khối lượng công việc này sẽ áp dụng các hiệu ứng khác nhau cho mười bức ảnh, bao gồm hiệu chỉnh màu sắc và tông màu (như độ sáng, mức độ, độ bão hòa), bộ lọc phong cách (như màu nâu đỏ, thang độ xám, thay đổi màu sắc), điều chỉnh hình học (như xoay, cắt, thu phóng) và các hiệu ứng tổng hợp lớp phủ (như đường viền, làm mờ góc).

Tổng hợp hình ảnh (Image Composition)

Khối lượng công việc tổng hợp hình ảnh đo lường hiệu năng CPU của bạn khi xử lý các tác vụ tạo nội dung, bao gồm kết xuất hình ảnh (rendering) và xử lý hình ảnh.

Ray Tracing (Dò tia): Ray Tracing là một kỹ thuật kết xuất được sử dụng để tạo ra hình ảnh chân thực bằng cách mô phỏng sự tương tác của ánh sáng với các vật thể trong cảnh ảo. Nó mô phỏng quá trình kết xuất được sử dụng trong các phần mềm kết xuất 3D (như Blender, Maxon Cinema 4D và Chaos Corona). Khối lượng công việc Ray Tracing sử dụng trình kết xuất Blender Cycles và thư viện Intel Embree để tạo ra hình ảnh chân thực từ một cảnh ảo.

Structure from Motion (Tái dựng từ chuyển động): Khối lượng công việc Structure from Motion sử dụng các hình ảnh 2D của cùng một cảnh để ước tính tọa độ 3D của các điểm có thể nhìn thấy trong cả hai hình ảnh. Structure from Motion là một kỹ thuật tạo cấu trúc hình học 3D thông qua nhiều hình ảnh 2D. Các hệ thống thực tế tăng cường (AR) sử dụng các kỹ thuật như Structure from Motion để hiểu các cảnh trong thế giới thực và tích hợp đồ họa do máy tính tạo ra vào các cảnh đó. Khối lượng công việc Structure from Motion này sẽ sử dụng chín hình ảnh 2D của cùng một cảnh để ước tính tọa độ 3D của các điểm có thể nhìn thấy trong các hình ảnh đó.

Mô phỏng (Simulation)

Khối lượng công việc mô phỏng đo lường khả năng của CPU trong việc xử lý các tác vụ mô phỏng vật lý.

Vật lý trò chơi: Khối lượng công việc vật lý trò chơi mô phỏng vật lý vật thể cứng trong môi trường 3D, bao gồm cả va chạm. Vật lý trò chơi sử dụng công cụ vật lý Jolt, một công cụ được sử dụng trong nhiều trò chơi điện tử phổ biến.

Khối lượng công việc truyền thông (Media Workloads)

Khối lượng công việc truyền thông đo lường khả năng của CPU trong việc xử lý các tác vụ mã hóa, giải mã và xử lý phương tiện truyền thông phổ biến. Khối lượng công việc truyền thông mô phỏng các ứng dụng như hội nghị truyền hình và phát video trực tuyến.

Bộ mã hóa video: Khối lượng công việc bộ mã hóa video mô phỏng tính năng chia sẻ màn hình trong các ứng dụng hội nghị truyền hình, sử dụng thư viện AOM và codec video AV1 để mã hóa các ảnh chụp màn hình tĩnh, đồng thời tạo ra các chuyển động con trỏ theo chương trình. Nó mô phỏng kịch bản người dùng chia sẻ màn hình trong cuộc gọi video (ví dụ: Zoom và Microsoft Teams).

Bộ mã hóa âm thanh: Khối lượng công việc bộ mã hóa âm thanh mã hóa dữ liệu âm thanh (bao gồm âm nhạc và giọng nói) sang định dạng âm thanh nén. Nó mô phỏng kịch bản ứng dụng nén âm thanh để lưu trữ hoặc phát trực tuyến (ví dụ: ghi âm và chia sẻ bản ghi nhớ giọng nói hoặc podcast). Khối lượng công việc bộ mã hóa âm thanh sử dụng codec nén Opus để nén hai phút dữ liệu âm thanh.

Bộ giải mã video: Khối lượng công việc bộ giải mã video tích hợp giải mã video, giải mã âm thanh, lấy mẫu lại âm thanh và nhận dạng giọng nói vào một khối lượng công việc duy nhất. Nó mô phỏng kịch bản người dùng bật phụ đề tự động khi xem video (ví dụ: phụ đề tự động tạo của YouTube). Khối lượng công việc bộ giải mã video được thực hiện bằng cách sử dụng mã hóa video AV1, mã hóa âm thanh Opus và mô hình nhận dạng giọng nói Whisper.

Tuyên bố quảng cáo: Các liên kết ngoài trong bài viết (bao gồm nhưng không giới hạn ở siêu liên kết, mã QR, mật khẩu, v.v.) được sử dụng để truyền tải thêm thông tin, tiết kiệm thời gian sàng lọc, kết quả chỉ mang tính chất tham khảo. Tất cả các bài viết của IT đều bao gồm tuyên bố này.