AMD Ryzen Threadripper 3990X vs Apple M1

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 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 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 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。

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。

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。

Cinebench R20是Cinebench R15的下一代產品，它也是基於Cinema 4套件的。Cinema 4是一款用於創建3D表單的熱門軟體。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 R20是Cinebench R15的下一代產品，它也是基於Cinema 4套件的。Cinema 4是一款用於創建3D表單的熱門軟體。多核測試涉及所有CPU核心，並且能充分利用超執行緒技術。

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。

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。

Cinebench R15是Cinebench 11.5的下一代產品，它也基於Cinema 4套件，Cinema 4是一個常用于生成3D表格的軟體。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 R15是Cinebench 11.5的下一代產品，它也基於Cinema 4套件，Cinema 4是一個常用于生成3D表格的軟體。多核測試涉及所有CPU核心，並且能充分利用超執行緒技術。

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。

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。