Geekbench 7 renueva las pruebas de CPU y GPU con cargas de trabajo reales y CUDA

Geekbench 7 llegó el 23 de julio con su primer backend de CUDA, una puntuación multinúcleo rediseñada y cargas de trabajo basadas en tareas modernas de medios e IA. Para los lectores que siguen la conversación sobre el benchmark nvidia tom, el cambio importante no es otra ronda de puntuaciones más altas. Primate Labs ha cambiado lo que representan esas puntuaciones.

La actualización prueba la compartición de pantalla con AV1, la compresión de audio Opus, los subtítulos impulsados por Whisper, la física de juegos, el escalado de imágenes y el desenfoque de fondo. Su suite de GPU ahora se ejecuta mediante CUDA, OpenCL, Vulkan o Metal. Esto ofrece al hardware de Nvidia una ruta nativa de CUDA dentro de Geekbench por primera vez.

El conflicto más amplio se refiere al realismo. Los benchmarks sintéticos necesitan cargas de trabajo consistentes para permitir comparaciones, pero el software real rara vez utiliza todos los núcleos de un procesador por igual. Geekbench 7 aborda ese problema aplicando multihilo solo cuando la aplicación modelada se comporta de esa manera. El resultado debería ser más representativo, pero también rompe la continuidad con las conocidas clasificaciones de Geekbench 6.

Geekbench 7 reconstruye el trabajo detrás de cada puntuación

Geekbench 7 cambia el benchmark al sustituir varias cargas de trabajo abstractas por actividades reconocibles realizadas en ordenadores y teléfonos actuales.

Primate Labs lanzó el benchmark para Android, iOS, Linux, macOS y Windows. Los cambios de Geekbench 7 de la empresa abarcan la suite de CPU, la suite de GPU, la metodología multinúcleo y los conjuntos de datos de entrada.

Tres nuevas cargas de trabajo de medios sostienen la actualización de CPU. Una codifica vídeo de compartición de pantalla con AV1, un códec de vídeo moderno diseñado para una compresión eficiente. Otra comprime música y voz con Opus, el códec utilizado habitualmente para el audio interactivo en internet.

Una tercera carga de trabajo reproduce audio y vídeo mientras genera subtítulos con Whisper, un modelo de reconocimiento de voz. Esta combinación importa porque los subtítulos en directo generan trabajo simultáneo de decodificación, procesamiento de audio e inferencia. Se asemeja a una actividad completa del usuario en lugar de a un bucle matemático aislado.

Geekbench 7 también añade una prueba de física de juegos basada en el motor Jolt Physics. Jolt gestiona la detección de colisiones y la simulación física en juegos comerciales. La carga de trabajo proporciona a la suite de CPU un escenario actual de computación interactiva sin convertir Geekbench en una prueba de tasa de fotogramas.

Las pruebas relacionadas con fotografía recibieron cambios más amplios. La carga de trabajo Photo Editor aplica una colección más rica de ediciones, mientras que Photo Library ahora importa archivos JPEG XL y DNG. JPEG XL es un formato de imagen moderno, mientras que DNG almacena datos de cámara con mayor margen de edición que una imagen procesada.

Primate Labs también amplió los materiales procesados por las pruebas existentes. File Compression ahora trabaja con código fuente, código objeto y documentos de texto. PDF Viewer recibe contenido que va desde mapas de parques hasta artículos académicos y documentos técnicos.

Estas entradas más grandes y variadas importan porque los conjuntos de datos pequeños pueden permanecer dentro de las cachés más rápidas de un procesador. Una vez que los datos superan esas cachés, el ancho de banda y la latencia de memoria tienen una influencia mayor. Eso suele ofrecer una mejor imagen del rendimiento sostenido de las aplicaciones.

Por tanto, el lanzamiento cambia más que la lista de temas del benchmark. Cambia la presión aplicada a las cachés, la memoria, los motores multimedia, los núcleos de ejecución y los frameworks de software. Un procesador optimizado para una prueba limitada puede responder de manera diferente cuando crece el conjunto de trabajo.

La consecuencia inmediata es la comparabilidad. Las puntuaciones de Geekbench 7 no deberían tratarse como extensiones directas de las puntuaciones de Geekbench 6. Las cargas de trabajo, los conjuntos de datos, la línea base y las reglas multinúcleo han cambiado de forma demasiado sustancial.

Ese reinicio resulta incómodo para los gráficos históricos. También es precisamente el objetivo. Un benchmark que preserva una continuidad perfecta puede dejar de representar gradualmente el software que la gente realmente utiliza.

Las búsquedas de Nvidia Tom ahora llevan a una prueba CUDA nativa

La compatibilidad con CUDA ofrece a las GPU de Nvidia una ruta de Geekbench más relevante, pero no hace que los resultados sean intercambiables entre todas las API de computación.

Geekbench ofrecía anteriormente pruebas de GPU mediante OpenCL, Vulkan y Metal. Geekbench 7 añade CUDA, la plataforma de programación de Nvidia para la computación de propósito general con GPU. CUDA sustenta muchas aplicaciones de visualización profesional, computación científica y aprendizaje automático.

El cambio permite a los propietarios probar una GPU de Nvidia mediante el entorno de software más estrechamente asociado con su mercado de computación. La cobertura de CUDA también hace que Geekbench sea más relevante para estaciones de trabajo utilizadas para IA y creación de contenido.

Esta es la conexión más clara para los lectores que llegan a la historia mediante la palabra clave nvidia tom. Nvidia se ha beneficiado durante mucho tiempo de una amplia base de software CUDA. Ahora Geekbench puede medir su hardware mediante esa ruta nativa en lugar de depender únicamente de interfaces más portables.

Sin embargo, una API no es simplemente una etiqueta colocada sobre una ejecución idéntica. CUDA, OpenCL, Vulkan y Metal utilizan distintos controladores, compiladores, modelos de memoria y rutas de optimización. Esas capas pueden afectar al rendimiento registrado por una carga de trabajo.

Geekbench tiene experiencia gestionando ese problema. Su anterior framework de GPU utilizaba una capa de abstracción llamada Thorium, que permitía que cargas de trabajo comunes se dirigieran a distintas API de computación. Los detalles internos documentados de Geekbench 6 describían implementaciones específicas para cada API diseñadas para evitar perjudicar a un framework.

Geekbench 7 aún no puede eliminar todas las diferencias de software. Un resultado de CUDA muestra cómo se comporta la carga de trabajo mediante CUDA. Un resultado de OpenCL muestra cómo se comporta mediante OpenCL. Las puntuaciones siguen siendo valiosas, pero el backend seleccionado pasa a formar parte del significado del resultado.

Esta distinción es especialmente importante al comparar proveedores. La ruta Metal de Apple, la ruta CUDA de Nvidia y una ruta Vulkan en otra GPU no comparten pilas de software idénticas. El benchmark controla el trabajo de alto nivel, mientras que cada pila determina cómo ese trabajo llega al hardware.

En consecuencia, la compatibilidad con CUDA ejerce presión en dos direcciones. Nvidia obtiene una ruta de primera clase que refleja su posición de software más sólida. Los proveedores de GPU competidores afrontan comparaciones con un ecosistema de herramientas maduras y optimización extensa.

Nvidia también afronta un mayor escrutinio. Una opción CUDA nativa elimina una explicación habitual para resultados débiles o incoherentes entre plataformas. Los analistas pueden comparar CUDA con OpenCL o Vulkan en la misma tarjeta e inspeccionar cuánto cambia el resultado según el backend.

Esas comparaciones deberían mantenerse acotadas. Un resultado compuesto sólido no predice automáticamente el rendimiento en Blender, un modelo de lenguaje local o un solucionador científico. Cada aplicación utiliza distintos kernels, tipos de datos, patrones de memoria y bibliotecas.

El mejor uso inicial del nuevo backend es diagnóstico. Ejecute las mismas cargas de trabajo compatibles mediante varias API en una GPU de Nvidia. Las grandes diferencias pueden revelar madurez de los controladores, comportamiento del compilador u optimización específica del backend, en lugar de una diferencia fundamental de hardware.

La puntuación multinúcleo deja de fingir que todas las aplicaciones escalan

Geekbench 7 adopta una decisión defendible: sacrifica las narrativas simples de escalado por núcleos para modelar cómo las aplicaciones distribuyen realmente el trabajo.

Los benchmarks multinúcleo tradicionales suelen ejecutar cada carga de trabajo en todos los hilos disponibles. Ese enfoque es fácil de entender. También recompensa a los procesadores por un paralelismo que una aplicación modelada quizá nunca utilice.

Geekbench 7 cambia este comportamiento. Una carga de trabajo entra en la suite multinúcleo en forma multihilo solo cuando la aplicación real correspondiente utiliza un paralelismo significativo. La prueba HTML5 Browser queda excluida porque el trabajo del navegador suele ser monohilo o usa pocos hilos.

Este rediseño cambia la interpretación de una puntuación multinúcleo. Ya no pregunta únicamente con qué rapidez pueden terminar todos los núcleos un conjunto uniformemente paralelo. Pregunta cómo gestiona el procesador completo una mezcla de tareas con límites de escalado realistas.

Esta diferencia puede afectar de forma más visible a los procesadores con muchos núcleos. Un chip puede dominar el renderizado o la compresión y, aun así, obtener poco beneficio de núcleos adicionales durante la ejecución web. Combinar esos comportamientos produce una cifra menos espectacular, pero un modelo más equilibrado del uso general.

Los procesadores híbridos añaden otra capa. Los chips modernos de escritorio y portátiles combinan con frecuencia núcleos de rendimiento más rápidos con núcleos de eficiencia más pequeños. Sus planificadores deciden qué hilos se ejecutan en cada lugar, mientras que los límites de potencia determinan cuánto tiempo se mantienen las frecuencias máximas.

Una suite multinúcleo realista puede revelar esos costes de coordinación. También puede introducir una mayor sensibilidad a la planificación del sistema operativo, la actividad en segundo plano y el firmware. Dos máquinas físicamente idénticas pueden divergir cuando difieren sus ajustes de energía o condiciones térmicas.

Primate Labs afirma que el nuevo método produce una medición más precisa del trabajo real. Es un objetivo de diseño razonable, no una conclusión establecida de manera independiente. La metodología necesita pruebas públicas en distintas familias de procesadores antes de que los analistas puedan cuantificar la mejora.

Tampoco existe una única definición de comportamiento multinúcleo realista. Un desarrollador de software que compila un proyecto grande exige algo distinto a un procesador que alguien utiliza para unirse a videollamadas. Un creador que exporta vídeo observa otro patrón, y un jugador se preocupa por la latencia además del rendimiento sostenido.

Un benchmark compuesto debe elegir ponderaciones entre esas actividades. Esas ponderaciones contienen criterio editorial, incluso cuando cada carga de trabajo individual procede de software real. La puntuación sigue siendo un modelo, no una medición universal de la velocidad de un ordenador.

Aun así, la alternativa anterior tenía una debilidad clara. Distribuir cada tarea entre todos los hilos puede describir un escalado teórico en lugar del comportamiento observado de las aplicaciones. Puede favorecer el número de núcleos sin mostrar cuándo esos núcleos permanecen sin utilizar.

El nuevo método presiona al marketing de chips construido en torno a una gran cifra multinúcleo. AMD, Apple, Intel, Qualcomm y los fabricantes de dispositivos necesitan ahora nuevos resultados de Geekbench 7. No pueden reutilizar con seguridad la narrativa establecida por Geekbench 6.

Los analistas también deben publicar contexto a nivel de carga de trabajo. Una puntuación compuesta puede resumir un dispositivo, pero no puede explicar si la ventaja procede de la codificación AV1, la compilación, la física, el procesamiento de imágenes u otra tarea.

Ese es el mecanismo central detrás de la renovación. Geekbench está haciendo más estricto el modelo de software, incluso cuando eso hace que la cifra del titular sea más difícil de explicar.

Las cargas de trabajo de IA y medios van más allá de una puntuación genérica de GPU

La renovada suite de GPU prueba funciones visibles del producto, situando el aprendizaje automático junto al procesamiento de imágenes, el trabajo de vídeo y la simulación física.

El benchmark de GPU de Geekbench 7 añade seguimiento facial con filtros en tiempo real, escalado de imágenes mediante aprendizaje automático y desenfoque del fondo de vídeo. Estas tareas se corresponden con funciones de redes sociales, videoconferencias y creación de contenido que los usuarios ya conocen.

El escalado de imágenes estima los detalles faltantes mientras aumenta la resolución. El desenfoque de fondo separa a una persona de la escena circundante antes de aplicar un efecto. El seguimiento facial sigue las posiciones del rostro para que los filtros permanezcan alineados durante el movimiento.

La suite también introduce procesamiento de imágenes RAW, gradación de color mediante tablas de consulta, trazado de rayos y simulación de fluidos. Una tabla de consulta, o LUT, asigna colores de entrada a colores de salida. El trazado de rayos simula trayectorias de luz para producir imágenes con base física.

Esta combinación amplía la historia de las GPU más allá de los videojuegos. Las GPU modernas aceleran los flujos de trabajo de medios, la inferencia local, la visualización y los efectos interactivos. Estas actividades pueden utilizar el mismo hardware de forma distinta a un juego rasterizado.

La actualización no debe confundirse con un reemplazo completo de Geekbench AI. Ese benchmark independiente evalúa CPU, GPU, unidades de procesamiento neuronal y procesadores digitales de señal mediante varios marcos de inferencia.

Su publicado diseño de cargas de trabajo de IA incluye tareas de visión por computadora y lenguaje. Informa puntuaciones de precisión simple, media precisión y cuantizadas, y después ajusta los resultados de las cargas de trabajo mediante mediciones de precisión.

La suite principal de GPU de Geekbench 7 plantea una pregunta diferente. Evalúa el aprendizaje automático como una parte de una carga de trabajo computacional más amplia. Ese enfoque refleja aplicaciones en las que la inferencia forma parte de un flujo de trabajo multimedia mayor.

La prueba de subtitulado con Whisper ilustra la misma idea en el lado de la CPU. Los usuarios no experimentan el reconocimiento de voz como una invocación aislada de un modelo. Experimentan la decodificación de vídeo, el procesamiento de audio, la transcripción y la visualización de subtítulos ocurriendo en conjunto.

Este enfoque a nivel de aplicación resulta útil para los compradores. Un portátil elegido para videollamadas necesita más que rendimiento bruto de matrices. Necesita un rendimiento constante mientras decodifica medios y aplica un efecto de IA dentro de un límite térmico reducido.

Los desarrolladores deben seguir considerando el resultado como un punto de partida. Los modelos y tamaños de entrada incluidos no pueden representar todos los sistemas de producción. Los modelos generativos de imágenes, los modelos de lenguaje de gran tamaño, los sistemas de recomendación y las redes científicas imponen exigencias muy distintas al hardware.

La precisión también importa. Algunos aceleradores destacan en operaciones cuantizadas, que utilizan formatos numéricos compactos, mientras que otros rinden mejor con mayor precisión. Un único compuesto de GPU puede ocultar esa diferencia, salvo que los analistas publiquen los resultados de las subpruebas.

El contexto de búsqueda nvidia tom hace que esto sea especialmente relevante. Nvidia comercializa GPU para videojuegos, creación, IA e informática profesional. Geekbench 7 aborda cada categoría, pero no reproduce un flujo de trabajo de producción completo de ninguna de ellas.

Ese límite protege el papel multiplataforma del benchmark. Una prueba demasiado ligada a una biblioteca de un proveedor sería menos portátil. Una prueba demasiado abstraída de las aplicaciones reales perdería relevancia.

Geekbench 7 intenta situarse en un punto intermedio. Utiliza tareas reconocibles, algoritmos comunes y varias API. El éxito de este enfoque dependerá de que los resultados independientes sigan siendo consistentes y expliquen las diferencias reales entre aplicaciones.

Lo que las nuevas puntuaciones aún no pueden demostrar

Un benchmark más realista sigue siendo una aproximación controlada, y las primeras clasificaciones de Geekbench 7 requieren más contexto del que proporciona un único gráfico.

La primera incertidumbre es la discontinuidad generacional. Las nuevas cargas de trabajo y reglas de puntuación implican que, por sí sola, una cifra de Geekbench 7 no puede mostrar la mejora frente a Geekbench 6. Cualquier gráfico que mezcle las versiones corre el riesgo de presentar una tendencia de rendimiento falsa.

La segunda incertidumbre es la equivalencia entre plataformas. El benchmarking multiplataforma requiere distintos compiladores, controladores, sistemas operativos y API. Geekbench estandariza la tarea prevista, pero no puede hacer idénticas esas capas de software.

CUDA acentúa este problema en lugar de eliminarlo. Una ruta nativa de Nvidia puede representar mejor las aplicaciones CUDA. También puede generar una puntuación influida por la inversión de Nvidia en compiladores y controladores, que forma parte del valor de la plataforma.

Por ello, las comparaciones necesitan etiquetas precisas. Los analistas deben identificar la versión de Geekbench, el sistema operativo, el backend, el modo de energía, la configuración de memoria y el estado de refrigeración. Los resultados de portátiles requieren especial cautela porque los proveedores establecen distintas políticas de potencia y temperatura.

La tercera incertidumbre se refiere a la ponderación de las cargas de trabajo. Una puntuación compuesta utiliza agregación matemática para condensar distintas pruebas en un solo número. Esto facilita la lectura de las clasificaciones, pero oculta qué actividades impulsan el resultado.

El cuarto asunto es la duración. Las cargas de trabajo cortas pueden enfatizar el rendimiento en ráfaga, mientras que las aplicaciones sostenidas se encuentran con límites de calor y energía. Documentación anterior de Geekbench describía pausas entre cargas de trabajo para reducir los efectos del orden térmico.

Esta técnica favorece la repetibilidad, pero no reproduce un renderizado o una compilación de una hora. Los compradores preocupados por el rendimiento sostenido siguen necesitando pruebas de aplicaciones y mediciones de estrés más prolongadas.

El quinto asunto es la optimización. Las optimizaciones orientadas al benchmark no son automáticamente ilegítimas, porque las aplicaciones también reciben ajustes específicos. Los problemas surgen cuando el hardware detecta un benchmark y cambia un comportamiento al que el software habitual no puede acceder.

Los analistas independientes deberían vigilar brechas inusuales entre Geekbench 7 y aplicaciones comparables. También deberían comparar envíos públicos entre versiones de controladores. Los cambios abruptos pueden revelar una optimización útil, un error corregido o un comportamiento específico del benchmark.

La base de datos pública de resultados ayudará cuando contenga suficientes envíos. Los resultados generados por usuarios exponen una gama más amplia de sistemas que un laboratorio de análisis controlado, aunque también incluyen configuraciones inconsistentes y procesos en segundo plano no identificados.

Las primeras clasificaciones tendrán sesgo de selección. Los entusiastas suelen enviar primero resultados de hardware nuevo, con overclock o cuidadosamente ajustado. Los resultados medianos de configuraciones comerciales habituales serán más informativos a medida que crezca la base de datos.

El mayor riesgo es una interpretación excesiva. Geekbench 7 no puede demostrar que un portátil sea universalmente más rápido, que una GPU sea la mejor para IA o que una arquitectura tenga una eficiencia superior.

Puede aportar evidencia repetible sobre una colección definida de tareas. Esa evidencia resulta útil cuando se combina con pruebas de batería, benchmarks de aplicaciones, datos térmicos y resultados a nivel de carga de trabajo.

Los lectores que organizan notas de pruebas entre dispositivos también necesitan un contexto duradero. Una base de conocimiento técnico con capacidad de búsqueda puede conservar controladores, firmware, ajustes de energía y versiones de benchmark junto a cada resultado. Sin esos detalles, una puntuación pierde gran parte de su valor diagnóstico.

La metodología revisada merece atención porque afronta debilidades reales de las pruebas sintéticas. No escapa de las limitaciones que comparten todos los benchmarks de propósito general.

Tres señales mostrarán si Geekbench 7 funciona

La siguiente fase trata de validación: la estabilidad de los resultados públicos, la correlación con aplicaciones y el comportamiento entre API determinarán si el rediseño se gana la confianza.

La primera señal es la forma de la base de datos pública. Geekbench ya está recopilando resultados de la versión 7 enviados por usuarios mediante su navegador. La evidencia más útil aparecerá cuando los procesadores comunes tengan suficientes envíos para revelar medianas estables y variaciones normales.

Observe hasta qué punto se agrupan los resultados en hardware idéntico. Distribuciones estrechas respaldarían la repetibilidad del benchmark. Distribuciones amplias sugerirían una fuerte sensibilidad a la refrigeración, la planificación, la memoria, el firmware o el software en segundo plano.

Esta señal también se aplica a los dispositivos móviles. Los teléfonos y las tabletas operan bajo estrictos límites térmicos, y las ejecuciones repetidas pueden producir resultados diferentes a medida que aumenta la temperatura. Clasificaciones estables en varias ejecuciones reforzarían el valor práctico de la nueva puntuación.

La segunda señal es la correlación con las aplicaciones. Los analistas deberían comparar las subpruebas relacionadas con AV1, Opus, compilación, edición fotográfica, física de juegos e IA con software representativo. La clasificación no necesita coincidir exactamente con todos los programas.

Sin embargo, debería explicar una parte significativa del rendimiento observado. Si Geekbench 7 favorece repetidamente hardware que pierde en las aplicaciones correspondientes, su afirmación de realismo se debilitará.

El análisis de las subpruebas importará más que la cifra global. Un procesador que lidera en compilación pero queda por detrás en subtítulos puede seguir obteniendo un compuesto competitivo. Publicar solo ese compuesto elimina la razón detrás del resultado.

La tercera señal es la consistencia entre API, especialmente en las GPU de Nvidia. Los analistas pueden ejecutar CUDA, OpenCL y Vulkan cuando sean compatibles, y después comparar los patrones a nivel de carga de trabajo.

Una diferencia moderada mostraría que los backends imponen costes distintos, a la vez que preservan una clasificación de hardware ampliamente similar. Brechas extremas o erráticas exigirían investigar los controladores, las rutas del compilador y los ajustes específicos de cada API.

Los resultados de CUDA en varias generaciones de Nvidia serán especialmente informativos. Las arquitecturas maduras y las actuales pueden responder de manera diferente a los kernels actualizados. Las revisiones de controladores también pueden cambiar el panorama después del lanzamiento.

Las comparaciones con Metal y Vulkan necesitan una redacción cuidadosa porque las API no son idénticas. La pregunta útil es si cada backend produce resultados estables y relevantes para las aplicaciones en su propia plataforma.

Estas tres señales pondrán a prueba el juicio central del artículo. Distribuciones públicas estables respaldarían la nueva metodología. Una fuerte correlación con las aplicaciones respaldaría su afirmación de realismo. Un comportamiento coherente entre API respaldaría comparaciones de GPU más justas.

Un fallo en cualquiera de estas medidas no invalidaría toda la suite. Identificaría dónde una puntuación compuesta necesita matices. Así es como mejoran los benchmarks después de un lanzamiento importante.

Para cualquiera que siga la cobertura de nvidia tom, el mejor siguiente paso es ignorar puntuaciones récord aisladas. Busque pruebas repetidas, backends de API identificados, desgloses de cargas de trabajo y resultados de aplicaciones correspondientes.

Geekbench 7 ha actualizado su modelo de computación. Ahora las pruebas independientes deben determinar si ese modelo predice el trabajo que las personas realmente realizan. Siga esas tres señales antes de utilizar sus clasificaciones para orientar una actualización, una decisión de adquisición o una afirmación de rendimiento.