Teraflops är ett dåligt sätt att jämföra GPU:er: här är varför

Justin Duino/How-To Geek

Teraflops ger en förenklad bild av GPU-prestanda, men tar inte hänsyn till skillnader i arkitektur, effektivitet och mjukvaruoptimeringar. Prestandatester i verkligheten och förståelse av arkitekturspecifikationer ger en mer exakt jämförelse av GPU:er. Teraflops, ofta hyllad som den ultimata GPU-jämförelsen, har begränsningar. Denna alltför förenkling fångar inte GPU-komplexiteten, utan döljer deras verkliga prestanda. Istället är det verkliga prestandatestning, nyanserad förståelse för arkitektur och sammanhangsspecifika användningar som är viktiga.

Vad är en Teraflop?

En teraflop är en enhet för beräkningshastighet som motsvarar en biljon (1012) flyttalsoperationer per sekund. I världen av grafikprocessorer (GPU) används teraflops ofta som ett mått på prestanda. Ju högre teraflop-antal, desto fler beräkningar kan en GPU hantera på en sekund, vilket förmodligen leder till bättre prestanda.

RELATERAT: PS5 och Xbox Series X: Vad är Teraflops?

Teraflops härleds från hårdvaruspecifikationerna för en GPU, i första hand kärnans klockhastighet, antalet kärnor och antalet operationer per cykel . Det är ett lättförståeligt tal, men som alla överförenklade mätvärden faller det sönder när det används på fel sätt.

När Teraflops är bra för GPU Jämförelser

Teraflops kan vara till hjälp när man jämför GPU:er av samma arkitektur och generation. Eftersom dessa GPU:er är byggda med samma teknik, skalar de i allmänhet sin prestanda förutsägbart med deras teraflop-antal.

Om du till exempel jämför två grafikkort från samma NVIDIA RTX 3000-serie, det med det högre teraflop-antalet kommer i allmänhet att fungera bättre. Detta beror på att dessa GPU:er är utformade på liknande sätt, och eventuella prestandaskillnader kan till stor del tillskrivas deras processorkraft, som representeras av teraflop-antalet.

Varför Teraflops är dåliga för GPU-jämförelser

Teraflops blir dock en mycket mindre tillförlitlig prestandaindikator när man jämför GPU:er över olika arkitekturer eller generationer. Det primära problemet här är att inte alla floppar skapas lika.

Hur en GPU använder sina teraflops kan variera avsevärt beroende på dess arkitektur. Till exempel använder en NVIDIA GPU sina teraflops annorlunda än en AMD GPU, vilket resulterar i olika prestandanivåer trots liknande teraflop-antal. På samma sätt kommer en modern grafikprocessor att använda sina teraflops mer effektivt än en äldre, även om de har samma antal.

Med andra ord, teraflops berättar bara en del av historien. De tar inte hänsyn till skillnader i effektivitet, minnesbandbredd eller drivrutinsoptimeringar som avsevärt kan påverka prestandan.

GPU:er fungerar smartare, inte hårdare

Dagens GPU:er blir allt mer komplexa och intelligenta. De utför inte bara blint beräkningar—de fungerar smartare.

Till exempel har GPU:er nu teknologier som NVIDIA’s DLSS och AMD’s FidelityFX Super Resolution, som använder AI för att uppskala bilder med lägre upplösning i realtid, vilket förbättrar prestandan utan att märkbart minska den visuella kvaliteten. Dessa tekniker kan avsevärt förbättra prestandan hos en GPU, och de har inget med teraflops att göra.

På liknande sätt kan framsteg inom arkitektur, såsom bättre parallell bearbetning och minneshantering, förbättra GPU-prestandan avsevärt. Återigen, dessa förbättringar återspeglas inte i teraflop-antalet.

Fudging TFLOP-siffrorna

Ett annat problem med att använda teraflops att jämföra GPU:er är att siffrorna kan manipuleras. Tillverkare kan “boosta” deras teraflop räknas genom att öka kärnans klockhastighet eller antalet kärnor.

Dessa ökningar översätts dock ofta inte till verkliga prestandaförbättringar, eftersom de kan leda till ökad strömförbrukning och värmegenerering, vilket kan strypa GPU:n och lägre prestanda. Alternativt, även om det finns en ökning i prestanda, är den inte direkt proportionell mot ökningen av (teoretiska) TFLOPs, på grund av begränsningar i GPU:s arkitektur, såsom minnesbandbreddsflaskhalsar eller begränsad GPU-cache.< /p>

Rätt sätt att jämföra grafikprocessorer

Så, om teraflops inte är ett tillförlitligt sätt att jämföra GPU:er, vad är det då? Svaret är enkelt: prestandatestning i verkligheten.

RELATERADESå här benchmarkar du din Windows-dator: 5 gratis benchmarkingverktyg

Prestandariktmärken, som de som utförs av oberoende granskare, ger det mest exakta måttet på en GPU:s prestanda. De involverar att köra GPU:n genom en serie uppgifter eller spel och mäta dess prestanda.

När du tittar på riktmärken är det viktigt att överväga de specifika uppgifterna eller spelen du kommer att använda GPU:n för. En GPU kan utmärka sig i en uppgift men prestera dåligt i en annan, så kontrollera riktmärken som är relevanta för ditt användningsfall.

Tänk även på andra faktorer som strömförbrukning, värmeeffekt och kostnad. En GPU kan ha utmärkta prestanda, men det kanske inte är ditt bästa val om den är för strömkrävande eller dyr.

RELATERAT: Den bästa grafiken Kort från 2023

LÄS NÄSTA

• › 5 vanliga misstag som nya PlayStation 5-ägare gör
• › Google Drive och Dokument har precis fått en uppgradering på Android-enheter
• › Discord-uppdateringen misslyckades? 7 sätt att fixa det
• › RSS-läsare är bättre än någonsin, tack vare Twitter & Reddit
• › Hur man avslutar prenumerationer på Twitch
• › Vad är Red Teaming och hur fungerar det?