Geekbench 7, 실제 워크로드와 CUDA로 CPU 및 GPU 테스트 대대적 개편

Geekbench 7이 7월 23일 첫 CUDA 백엔드, 새롭게 설계된 멀티코어 점수 체계, 최신 미디어 및 AI 작업을 기반으로 한 워크로드와 함께 출시됐다. nvidia tom 벤치마크 논의를 지켜보는 독자에게 중요한 변화는 단순히 더 높은 점수가 아니다. Primate Labs는 이제 그 점수가 무엇을 의미하는지 자체를 바꿨다.

이번 업데이트는 AV1 화면 공유, Opus 오디오 압축, Whisper 기반 자막, 게임 물리, 이미지 업스케일링, 배경 흐림을 테스트한다. GPU 테스트 스위트는 이제 CUDA, OpenCL, Vulkan 또는 Metal을 통해 실행된다. 이에 따라 Nvidia 하드웨어는 Geekbench 안에서 처음으로 네이티브 CUDA 경로를 갖게 됐다.

더 큰 쟁점은 현실성이다. 종합 벤치마크는 비교를 위해 일관된 작업을 필요로 하지만, 실제 소프트웨어가 모든 프로세서 코어를 똑같이 활용하는 일은 드물다. Geekbench 7은 모델링한 애플리케이션이 실제로 그렇게 동작할 때에만 멀티스레딩을 적용해 이 문제를 다룬다. 그 결과는 더 대표성이 높을 것으로 보이지만, 익숙한 Geekbench 6 순위와의 연속성은 깨진다.

Geekbench 7, 각 점수 뒤의 작업을 재구성하다

Geekbench 7은 여러 추상적 워크로드를 현재의 컴퓨터와 스마트폰에서 수행하는 익숙한 활동으로 대체해 벤치마크를 바꾼다.

Primate Labs는 Android, iOS, Linux, macOS 및 Windows용 벤치마크를 출시했다. 회사의 Geekbench 7 변경 사항은 CPU 스위트, GPU 스위트, 멀티코어 방법론 및 입력 데이터세트를 다룬다.

세 가지 새로운 미디어 워크로드가 CPU 업데이트의 핵심을 이룬다. 하나는 효율적인 압축을 위해 설계된 최신 비디오 코덱 AV1으로 화면 공유 비디오를 인코딩한다. 다른 하나는 대화형 인터넷 오디오에 흔히 사용되는 코덱인 Opus로 음악과 음성을 압축한다.

세 번째 워크로드는 음성과 영상 재생 중 Whisper라는 음성 인식 모델로 자막을 생성한다. 실시간 자막 생성은 디코딩, 오디오 처리, 추론 작업을 동시에 발생시키기 때문에 이 조합은 중요하다. 이는 고립된 수학 연산 루프가 아니라 완결된 사용자 활동에 가깝다.

Geekbench 7은 Jolt Physics 엔진을 기반으로 한 게임 물리 테스트도 추가한다. Jolt는 상용 게임에서 충돌 감지와 물리 시뮬레이션을 처리한다. 이 워크로드는 Geekbench를 프레임 속도 테스트로 바꾸지 않으면서도 CPU 스위트에 최신 인터랙티브 컴퓨팅 시나리오를 제공한다.

사진 관련 테스트도 폭넓게 바뀌었다. Photo Editor 워크로드는 더 풍부한 편집 작업 모음을 적용하며, Photo Library는 이제 JPEG XL 및 DNG 파일을 가져온다. JPEG XL은 최신 이미지 형식이며, DNG는 처리된 이미지보다 편집 여유가 더 큰 카메라 데이터를 저장한다.

Primate Labs는 기존 테스트가 처리하는 자료도 확장했다. File Compression은 이제 소스 코드, 오브젝트 코드 및 텍스트 문서를 다룬다. PDF Viewer는 공원 지도부터 학술 논문과 기술 문서에 이르는 콘텐츠를 받는다.

이처럼 더 크고 다양한 입력은 작은 데이터세트가 프로세서의 가장 빠른 캐시 안에 머무를 수 있기 때문에 중요하다. 데이터가 그 캐시를 벗어나면 메모리 대역폭과 지연 시간이 더 큰 영향을 미친다. 이는 지속적인 애플리케이션 성능을 더 잘 보여주는 경우가 많다.

따라서 이번 출시는 벤치마크의 주제 목록 이상을 바꾼다. 캐시, 메모리, 미디어 엔진, 실행 코어 및 소프트웨어 프레임워크에 가해지는 부하가 달라진다. 좁은 범위의 테스트에 최적화된 프로세서는 작업 집합이 커질 때 다르게 반응할 수 있다.

직접적인 결과는 비교 가능성이다. Geekbench 7 점수는 Geekbench 6 점수의 직접적인 연장선으로 취급해서는 안 된다. 워크로드, 데이터세트, 기준선 및 멀티코어 규칙이 너무 크게 바뀌었다.

이러한 초기화는 역사적 차트에는 불편하다. 그러나 그것이 바로 핵심이다. 완벽한 연속성을 유지하는 벤치마크는 시간이 지날수록 사람들이 실제로 실행하는 소프트웨어를 제대로 대표하지 못하게 될 수 있다.

Nvidia Tom 검색은 이제 네이티브 CUDA 테스트로 이어진다

CUDA 지원은 Nvidia GPU에 더 적합한 Geekbench 경로를 제공하지만, 모든 컴퓨팅 API에서 결과가 서로 교환 가능해지는 것은 아니다.

Geekbench는 이전에 OpenCL, Vulkan 및 Metal을 통한 GPU 테스트를 제공했다. Geekbench 7은 범용 GPU 컴퓨팅을 위한 Nvidia의 프로그래밍 플랫폼인 CUDA를 추가한다. CUDA는 많은 전문 시각화, 과학 컴퓨팅 및 머신러닝 애플리케이션의 기반이 된다.

이 변화로 사용자는 GPU 컴퓨팅 시장과 가장 밀접하게 연관된 소프트웨어 환경을 통해 Nvidia GPU를 테스트할 수 있다. CUDA 관련 보도는 Geekbench를 AI 및 콘텐츠 제작용 워크스테이션에 더욱 적합하게 만든다.

nvidia tom 키워드를 통해 이 기사를 접하는 독자에게는 이것이 가장 명확한 연결고리다. Nvidia는 오랫동안 광범위한 CUDA 소프트웨어 기반의 이점을 누려 왔다. 이제 Geekbench는 더 이식성 높은 인터페이스에만 의존하지 않고 네이티브 경로를 통해 해당 하드웨어를 측정할 수 있다.

하지만 API는 동일한 실행 위에 붙는 단순한 레이블이 아니다. CUDA, OpenCL, Vulkan 및 Metal은 서로 다른 드라이버, 컴파일러, 메모리 모델 및 최적화 경로를 사용한다. 이러한 계층은 워크로드가 기록하는 성능에 영향을 줄 수 있다.

Geekbench는 이 문제를 다룬 경험이 있다. 이전 GPU 프레임워크는 Thorium이라는 추상화 계층을 사용해 공통 워크로드가 서로 다른 컴퓨팅 API를 대상으로 하도록 했다. 문서화된 Geekbench 6 내부 구조는 특정 프레임워크에 불리하지 않도록 설계된 API별 구현을 설명했다.

Geekbench 7 역시 모든 소프트웨어 차이를 없앨 수는 없다. CUDA 결과는 해당 워크로드가 CUDA를 통해 어떻게 수행되는지를 보여준다. OpenCL 결과는 OpenCL을 통해 어떻게 수행되는지를 보여준다. 점수는 여전히 유용하지만, 선택한 백엔드는 결과 의미의 일부가 된다.

이 구분은 특히 벤더를 비교할 때 중요하다. Apple의 Metal 경로, Nvidia의 CUDA 경로, 다른 GPU의 Vulkan 경로는 동일한 소프트웨어 스택을 공유하지 않는다. 벤치마크는 상위 수준의 작업을 통제하지만, 각 스택은 그 작업이 하드웨어에 도달하는 방식을 결정한다.

따라서 CUDA 지원은 두 방향에서 압박을 가한다. Nvidia는 가장 강력한 소프트웨어 입지를 반영하는 일류 경로를 얻는다. 경쟁 GPU 벤더는 성숙한 도구와 광범위한 최적화를 갖춘 생태계와의 비교에 직면한다.

Nvidia 역시 더 큰 검증을 받게 된다. 네이티브 CUDA 옵션은 약하거나 일관되지 않은 크로스 플랫폼 결과에 대한 흔한 설명 하나를 제거한다. 리뷰어는 같은 카드에서 CUDA를 OpenCL 또는 Vulkan과 비교하고, 백엔드가 결과를 얼마나 바꾸는지 살필 수 있다.

이러한 비교는 범위를 제한해 해석해야 한다. 강력한 종합 결과가 Blender, 로컬 언어 모델 또는 과학적 솔버에서의 성능을 자동으로 예측하지는 않는다. 각 애플리케이션은 서로 다른 커널, 데이터 유형, 메모리 패턴 및 라이브러리를 사용한다.

새 백엔드의 가장 좋은 초기 활용법은 진단이다. 하나의 Nvidia GPU에서 지원되는 동일 워크로드를 여러 API로 실행해 보라. 큰 격차는 근본적인 하드웨어 차이보다는 드라이버 성숙도, 컴파일러 동작 또는 백엔드별 최적화를 드러낼 수 있다.

멀티코어 점수는 모든 앱이 확장된다는 가정을 버린다

Geekbench 7은 간단한 코어 확장 서사를 희생하는 대신 애플리케이션이 실제로 작업을 분배하는 방식을 모델링하는, 타당한 선택을 한다.

전통적인 멀티코어 벤치마크는 흔히 모든 워크로드를 사용 가능한 모든 스레드에서 실행한다. 이 접근법은 이해하기 쉽다. 하지만 모델링한 애플리케이션이 실제로 사용하지 않을 병렬성에 대해서도 프로세서에 보상을 준다.

Geekbench 7은 이 동작을 바꾼다. 해당 실제 애플리케이션이 의미 있는 병렬성을 사용할 때에만 워크로드가 스레드 형태로 멀티코어 스위트에 포함된다. HTML5 Browser 테스트는 브라우저 작업이 일반적으로 단일 스레드이거나 가벼운 멀티스레딩에 그치기 때문에 제외된다.

이 재설계는 멀티코어 점수의 해석을 바꾼다. 더는 모든 코어가 균일하게 병렬화된 묶음을 얼마나 빨리 끝낼 수 있는지만 묻지 않는다. 대신 현실적인 확장 한계를 가진 작업들의 혼합을 프로세서 전체가 어떻게 처리하는지 묻는다.

이 차이는 코어가 많은 프로세서에서 가장 뚜렷하게 나타날 수 있다. 한 칩은 렌더링이나 압축에서 압도적일 수 있지만 웹 실행 중에는 추가 코어의 이점이 거의 없을 수 있다. 이런 동작을 결합하면 수치는 덜 극적이지만, 일반적인 사용을 더 균형 있게 모델링한다.

하이브리드 프로세서는 또 다른 층위를 만든다. 최신 데스크톱 및 노트북 칩은 더 빠른 성능 코어와 더 작은 효율 코어를 자주 결합한다. 스케줄러는 어느 스레드를 어디에서 실행할지 결정하며, 전력 제한은 최고 주파수가 얼마나 오래 유지될지를 정한다.

현실적인 멀티코어 스위트는 이러한 조정 비용을 드러낼 수 있다. 또한 운영체제 스케줄링, 백그라운드 활동 및 펌웨어에 대한 민감도를 높일 수 있다. 물리적으로 동일한 두 시스템도 전력 설정이나 열 조건이 다르면 서로 다른 결과를 낼 수 있다.

Primate Labs는 새 방식이 실제 작업을 더 정확하게 측정한다고 말한다. 이는 독립적으로 확립된 결론이 아니라 합리적인 설계 목표다. 리뷰어가 개선 정도를 정량화하려면 프로세서 제품군 전반에 걸친 공개 테스트가 필요하다.

현실적인 멀티코어 동작에 대한 단일한 정의도 없다. 대규모 프로젝트를 컴파일하는 소프트웨어 개발자는 화상 통화에 참여하는 사람과 다른 방식으로 프로세서에 부하를 준다. 동영상을 내보내는 제작자는 또 다른 패턴을 보며, 게이머는 처리량과 함께 지연 시간을 중요하게 여긴다.

종합 벤치마크는 이러한 활동 사이의 가중치를 선택해야 한다. 각 개별 워크로드가 실제 소프트웨어에서 왔더라도 그 가중치에는 편집적 판단이 담긴다. 점수는 컴퓨터 속도의 보편적 측정값이 아니라 여전히 하나의 모델이다.

그럼에도 기존 대안에는 분명한 약점이 있었다. 모든 작업을 모든 스레드에 분산하면 관찰된 애플리케이션 동작이 아니라 이론적 확장성을 설명할 수 있다. 또한 그 코어들이 언제 사용되지 않는지는 보여주지 않은 채 코어 수에 유리하게 작용할 수 있다.

새 방식은 하나의 큰 멀티코어 수치를 중심으로 한 칩 마케팅에 압박을 가한다. AMD, Apple, Intel, Qualcomm 및 기기 제조업체는 이제 새로운 Geekbench 7 결과가 필요하다. Geekbench 6로 구축한 서사를 안전하게 재활용할 수는 없다.

리뷰어도 워크로드 수준의 맥락을 공개해야 한다. 종합 점수는 기기를 요약할 수 있지만, 그 우위가 AV1 인코딩, 컴파일, 물리, 이미지 처리 또는 다른 작업에서 비롯됐는지는 설명할 수 없다.

이것이 바로 이번 개편의 핵심 메커니즘이다. Geekbench는 헤드라인 수치를 설명하기 더 어렵게 만들더라도 소프트웨어 모델을 더 엄격하게 만들고 있다.

AI와 미디어 워크로드, 일반적인 GPU 점수를 넘어선다

새로워진 GPU 스위트는 눈에 보이는 제품 기능을 테스트하며, 머신러닝을 이미지 처리, 비디오 작업 및 물리 시뮬레이션과 나란히 배치한다.

Geekbench 7의 GPU 벤치마크는 실시간 필터를 적용하는 얼굴 추적, 머신러닝 기반 이미지 업스케일링 및 비디오 배경 흐림을 추가한다. 이러한 작업은 사용자가 이미 익숙한 소셜 미디어, 화상 회의 및 콘텐츠 제작 기능과 맞닿아 있다.

이미지 업스케일링은 해상도를 높이면서 누락된 세부 정보를 추정한다. 배경 흐림은 효과를 적용하기 전에 사람을 주변 장면과 분리한다. 얼굴 추적은 움직이는 동안 필터가 정렬된 상태를 유지하도록 얼굴 위치를 따라간다.

이 스위트는 RAW 이미지 처리, 룩업 테이블 색보정, 패스 트레이싱 및 유체 시뮬레이션도 도입한다. 룩업 테이블 또는 LUT는 입력 색상을 출력 색상으로 매핑한다. 패스 트레이싱은 물리적 특성을 반영한 이미지를 만들기 위해 빛의 경로를 시뮬레이션한다.

이 조합은 GPU의 역할을 게임을 넘어 더 넓게 바라보게 한다. 최신 GPU는 미디어 파이프라인, 로컬 추론, 시각화, 인터랙티브 효과를 가속한다. 이러한 작업은 래스터화 게임과는 다른 방식으로 동일한 하드웨어를 활용할 수 있다.

이번 업데이트를 Geekbench AI의 완전한 대체로 혼동해서는 안 된다. 별도의 이 벤치마크는 여러 추론 프레임워크를 통해 CPU, GPU, 신경 처리 장치, 디지털 신호 프로세서를 평가한다.

공개된 AI 워크로드 설계에는 컴퓨터 비전 및 언어 작업이 포함된다. 단정밀도, 반정밀도, 양자화 점수를 보고한 뒤 정확도 측정을 사용해 워크로드 결과를 조정한다.

Geekbench 7의 주요 GPU 제품군은 다른 질문을 던진다. 더 폭넓은 컴퓨팅 워크로드의 한 부분으로서 머신러닝을 평가한다. 이는 추론이 더 큰 미디어 파이프라인 안에 포함되는 애플리케이션을 반영하는 접근법이다.

Whisper 자막 생성 테스트는 CPU 측면에서도 같은 개념을 보여준다. 사용자는 음성 인식을 분리된 모델 호출로 경험하지 않는다. 비디오 디코딩, 오디오 처리, 전사, 자막 표시가 함께 이뤄지는 과정을 경험한다.

이러한 애플리케이션 수준의 관점은 구매자에게 유용하다. 화상 통화용으로 고른 노트북에는 단순한 행렬 처리량 이상이 필요하다. 제한된 열 설계 범위 안에서 미디어를 디코딩하고 AI 효과를 적용하는 동안에도 일관된 성능을 유지해야 한다.

개발자는 여전히 이 결과를 출발점으로 봐야 한다. 포함된 모델과 입력 크기는 모든 프로덕션 시스템을 대표할 수 없다. 생성형 이미지 모델, 대규모 언어 모델, 추천 시스템, 과학 연산 네트워크는 하드웨어에 매우 다른 요구를 가한다.

정밀도 역시 중요하다. 일부 가속기는 작은 숫자 형식을 사용하는 양자화 연산에 뛰어난 반면, 다른 가속기는 더 높은 정밀도에서 더 좋은 성능을 낸다. 리뷰어가 하위 테스트 결과를 공개하지 않는다면 단일 GPU 종합 점수는 이러한 차이를 가릴 수 있다.

nvidia tom 검색 맥락에서는 이 점이 특히 중요하다. Nvidia는 게임, 크리에이션, AI, 전문 컴퓨팅 전반에서 GPU를 마케팅한다. Geekbench 7은 각 범주를 건드리지만, 어느 한 범주의 완전한 프로덕션 워크플로를 재현하지는 않는다.

이러한 경계는 벤치마크의 크로스플랫폼 역할을 지켜 준다. 특정 벤더 라이브러리에 지나치게 밀착된 테스트는 이식성이 떨어진다. 실제 애플리케이션과 너무 멀리 추상화된 테스트는 관련성을 잃는다.

Geekbench 7은 그 중간 지점을 차지하려 한다. 인지하기 쉬운 작업, 일반적인 알고리즘, 여러 API를 사용한다. 이 접근법의 성공 여부는 독립적인 결과가 일관성을 유지하고 실제 애플리케이션 차이를 설명하는지에 달려 있다.

새로운 점수로도 여전히 입증할 수 없는 것

더 현실적인 벤치마크도 결국 통제된 근사치이며, 초기 Geekbench 7 순위는 단일 차트보다 더 많은 맥락을 필요로 한다.

첫 번째 불확실성은 세대 간 단절이다. 새로운 워크로드와 채점 규칙 때문에 Geekbench 7 수치만으로 Geekbench 6 대비 향상을 보여줄 수는 없다. 두 버전을 섞은 차트는 잘못된 성능 추세를 제시할 위험이 있다.

두 번째 불확실성은 플랫폼 동등성이다. 크로스플랫폼 벤치마킹에는 서로 다른 컴파일러, 드라이버, 운영 체제, API가 필요하다. Geekbench는 의도한 작업을 표준화하지만, 이러한 소프트웨어 계층을 동일하게 만들 수는 없다.

CUDA는 이 문제를 없애기보다 더 선명하게 드러낸다. 네이티브 Nvidia 경로는 CUDA 애플리케이션을 더 잘 대표할 수 있다. 동시에 플랫폼 가치의 일부인 Nvidia의 컴파일러 및 드라이버 투자에 의해 형성된 점수를 낼 수도 있다.

따라서 비교에는 정확한 레이블이 필요하다. 리뷰어는 Geekbench 버전, 운영 체제, 백엔드, 전력 모드, 메모리 구성, 냉각 상태를 밝혀야 한다. 노트북 결과는 벤더마다 전력 및 열 정책이 다르므로 특히 신중히 다뤄야 한다.

세 번째 불확실성은 워크로드 가중치에 관한 것이다. 종합 점수는 수학적 집계를 이용해 서로 다른 테스트를 하나의 수치로 압축한다. 이는 순위를 쉽게 읽게 해 주지만, 어떤 활동이 결과를 이끌었는지는 숨긴다.

네 번째 문제는 지속 시간이다. 짧은 워크로드는 순간 성능을 부각할 수 있지만, 지속적인 애플리케이션은 열과 전력 제한에 부딪힌다. 이전 Geekbench 문서는 열 상태에 따른 순서 효과를 줄이기 위해 워크로드 사이에 대기 시간을 둔다고 설명했다.

이 기법은 재현성을 뒷받침하지만, 한 시간짜리 렌더링이나 컴파일을 재현하지는 못한다. 지속적인 출력이 중요한 구매자는 여전히 애플리케이션 테스트와 더 긴 스트레스 측정이 필요하다.

다섯 번째 문제는 최적화다. 애플리케이션 역시 맞춤형 튜닝을 받기 때문에 벤치마크 인지형 최적화가 자동으로 부당한 것은 아니다. 하드웨어가 벤치마크를 감지하고 일반 소프트웨어가 접근할 수 없는 방식으로 동작을 바꿀 때 문제가 발생한다.

독립 리뷰어는 Geekbench 7과 비교 가능한 애플리케이션 사이의 이례적인 격차를 살펴봐야 한다. 또한 드라이버 버전별 공개 제출 결과도 비교해야 한다. 급격한 변화는 유용한 최적화, 수정된 버그, 또는 벤치마크 특화 동작을 드러낼 수 있다.

공개 결과 데이터베이스는 충분한 제출 결과가 쌓이면 도움이 될 것이다. 사용자 생성 결과는 통제된 리뷰 연구실보다 폭넓은 시스템 구성을 보여 주지만, 일관되지 않은 설정과 확인되지 않은 백그라운드 프로세스도 포함한다.

초기 순위에는 선택 편향이 있을 것이다. 열성 사용자는 새로운 하드웨어, 오버클록된 하드웨어, 또는 세심하게 튜닝된 하드웨어의 결과를 먼저 제출하는 경우가 많다. 데이터베이스가 커짐에 따라 일반적인 소매 구성의 중앙값 결과가 더 유익해질 것이다.

가장 큰 위험은 과도한 해석이다. Geekbench 7은 한 노트북이 보편적으로 더 빠르다는 것, 한 GPU가 AI에 가장 적합하다는 것, 또는 한 아키텍처가 더 뛰어난 효율성을 갖는다는 것을 입증할 수 없다.

정의된 작업 모음에 관한 재현 가능한 증거는 제공할 수 있다. 이 증거는 배터리 테스트, 애플리케이션 벤치마크, 열 특성, 워크로드 수준 결과와 함께할 때 유용해진다.

여러 기기의 테스트 노트를 정리하는 독자에게는 지속 가능한 맥락도 필요하다. 검색 가능한 기술 지식 베이스는 각 결과와 함께 드라이버, 펌웨어, 전력 설정, 벤치마크 버전을 보존할 수 있다. 이러한 세부 정보가 없으면 점수는 진단 가치의 상당 부분을 잃는다.

개정된 방법론은 합성 테스트의 실제 약점을 마주한다는 점에서 주목할 만하다. 그렇다고 모든 범용 벤치마크가 공유하는 한계를 벗어나는 것은 아니다.

Geekbench 7의 유효성을 보여 줄 세 가지 신호

다음 단계는 검증이다. 공개 결과의 안정성, 애플리케이션과의 상관관계, API 간 동작이 이번 재설계가 신뢰를 얻을 수 있을지를 결정할 것이다.

첫 번째 신호는 공개 데이터베이스의 형태다. Geekbench는 이미 브라우저를 통해 사용자가 제출한 버전 7 결과를 수집하고 있다. 일반적인 프로세서에 안정적인 중앙값과 정상적인 변동 폭을 보여 줄 만큼 충분한 제출 결과가 쌓일 때 가장 유용한 증거가 나타날 것이다.

동일한 하드웨어에서 결과가 얼마나 촘촘히 모이는지 살펴봐야 한다. 분포가 좁다면 벤치마크의 재현성을 뒷받침한다. 분포가 넓다면 냉각, 스케줄링, 메모리, 펌웨어 또는 백그라운드 소프트웨어에 크게 민감하다는 뜻일 수 있다.

이 신호는 모바일 기기에도 적용된다. 스마트폰과 태블릿은 엄격한 열 한계 아래 작동하며, 온도가 오르면 반복 실행에서 서로 다른 결과가 나올 수 있다. 여러 실행에서 안정적인 순위를 보인다면 새 점수의 실용적 가치는 더 강해질 것이다.

두 번째 신호는 애플리케이션과의 상관관계다. 리뷰어는 AV1, Opus, 컴파일, 사진 편집, 게임 물리, AI 관련 하위 테스트를 대표적인 소프트웨어와 비교해야 한다. 순위가 모든 프로그램과 정확히 일치할 필요는 없다.

그러나 관측된 성능의 의미 있는 부분은 설명해야 한다. Geekbench 7이 해당 애플리케이션에서 반복적으로 뒤지는 하드웨어를 선호한다면, 현실성을 내세우는 주장은 약해질 것이다.

하위 테스트 분석은 전체 점수보다 더 중요해질 것이다. 컴파일에서는 앞서지만 자막 생성에서는 뒤지는 프로세서도 경쟁력 있는 종합 점수를 낼 수 있다. 그 종합 점수만 공개하면 결과의 이유는 사라진다.

세 번째 신호는 특히 Nvidia GPU에서의 API 간 일관성이다. 리뷰어는 지원되는 환경에서 CUDA, OpenCL, Vulkan을 실행한 뒤 워크로드 수준의 패턴을 비교할 수 있다.

중간 수준의 차이는 백엔드가 서로 다른 비용을 부과하면서도 대체로 비슷한 하드웨어 순위를 유지한다는 것을 보여 줄 것이다. 극단적이거나 불규칙한 격차는 드라이버, 컴파일러 경로, API별 튜닝에 대한 조사를 요구한다.

여러 Nvidia 세대에 걸친 CUDA 결과는 특히 유익할 것이다. 성숙한 아키텍처와 최신 아키텍처는 업데이트된 커널에 다르게 반응할 수 있다. 드라이버 개정판 역시 출시 후 판도를 바꿀 수 있다.

Metal 및 Vulkan과의 비교는 API가 동일하지 않으므로 신중한 표현이 필요하다. 유용한 질문은 각 백엔드가 자체 플랫폼에서 안정적이고 애플리케이션과 관련성 있는 결과를 내는지 여부다.

이 세 가지 신호는 이 글의 핵심 판단을 검증할 것이다. 안정적인 공개 분포는 새 방법론을 뒷받침한다. 강한 애플리케이션 상관관계는 현실성 주장을 뒷받침한다. 일관된 API 동작은 더 공정한 GPU 비교를 뒷받침한다.

어느 한 척도에서 실패한다고 해서 전체 제품군이 무효가 되는 것은 아니다. 종합 점수에 보완 설명이 필요한 지점을 드러낼 뿐이다. 이것이 대규모 출시 이후 벤치마크가 개선되는 방식이다.

nvidia tom 보도를 따르는 사람이라면, 다음으로 할 일은 단발성 최고 기록 점수를 무시하는 것이다. 반복 테스트, 명시된 API 백엔드, 워크로드 분석, 그에 대응하는 애플리케이션 결과를 살펴봐야 한다.

Geekbench 7은 컴퓨팅에 대한 모델을 더 현대적으로 만들었다. 이제 독립 테스트가 그 모델이 사람들이 실제로 수행하는 작업을 예측하는지 판단해야 한다. 업그레이드, 조달 결정, 성능 주장에 순위를 활용하기 전에 이 세 가지 신호를 추적하라.