除了整数运算和浮点运算的差别之外,SPEC CPU2006测试还分两种:SPEED测试和RATE测试,SPEED测试类型运行单个实例,用来测试系统运行单作业的时候的运算能力,RATE测试则是运行多个实例,用来测试系统的总运算吞吐能力。SPEC CPU测试还会给出两种类型的结果:Base基准测试结果和Peak峰值测试结果,Base测试要求编译器套件按照指定的规则进行优化,而Peak测试则可以允许使用更多的优化技术,可以看出,前者可以用来简单对比不同的平台,而后者则在对比因素中加入了编译器等因素,有实力编写编译器的厂商可以从中获益。本页给出的是SPEED测试结果,按照整数到浮点、Base测试到Peak测试排列四个成绩图标,每个图表给出了测试系统及对比系统的每个子项目的成绩。图表图例文字中最后的"2S44C88T"字段指的是2 Sockets、44 Cores、88 Threads,意思是“2插槽44核心88线程”。
对于AVX2下的测试,前面也说过,在Intel Xeon E5-2699 v3上,只要有一个核心运行AVX2代码,所有核心的最高频率都会降低到某个频率,而在Intel Xeon E5-2699 v4上,在运行AVX2代码时只有这个核心会降低一定的频率,不同的核心其频率互不影响,从而提高了整体性能:
SPECint_rate_base2006,整数,RATE测试,Base基准测试
SPECint_rate2006,整数,RATE测试,Peak峰值测试
测试表现出两代处理器具有非常巨大的差距,对于Haswell-EP,使用AVX2编码可以说性能测试得分有所下降,而对于Broadwell-EP,性能则略有上升,加上本来就具有的性能差距,AVX2编码代码性能差别非常巨大,Broadwell-EP性能是Haswell-EP的225%。需要重申的是,这里使用的AVX2编码是非常初级的状况,基于对现在来说显得有些陈旧的ICL 13.0。我们相信,如果使用最新版本的ICL,Haswell-EP的性能也没那么差——当然,Broadwell-EP的性能则会比现在更好。
SPECfp_rate_base2006,浮点,RATE测试,Base基准测试
SPECfp_rate2006,浮点,RATE测试,Peak峰值测试
浮点性能的差异则没那么大,Broadwell-EP性能是Haswell-EP的176%。在AVX2测试中,Broadwell-EP在所有核心都满载的情况下,频率为2.6GHz,而在AVX测试中,这个频率是2.8GHz,Haswell-EP的情况也类似。尽管看起来没什么区别,但需要解释的是,程序可以没有AVX2编码,但最基本的整数运算一定会具有,因此,对于将所有核心的AVX2运行频率解耦的Broadwell-EP来说,只要运行着AVX2编码,就能相对上一代获得潜在的性能优势,因为非AVX2编码的那部分代码被加速了。
好文章,需要你的鼓励
Salesforce研究团队发布开源工具包MCPEval,基于模型上下文协议(MCP)架构评估AI智能体工具使用性能。该工具突破传统静态测试局限,通过全自动化流程收集详细任务轨迹和协议交互数据,为智能体行为提供前所未有的可视化分析。MCPEval能快速评估MCP工具和服务器,生成综合评估报告,为企业智能体部署提供可操作的改进建议。
清华大学团队推出AnyCap项目,通过轻量级"即插即用"框架解决多模态AI字幕生成缺乏个性化控制的问题。该项目包含模型、数据集和评估基准,能让现有AI系统根据用户需求生成定制化字幕,在不重训基础模型的情况下显著提升控制能力,为AI内容创作的个性化发展奠定基础。
月之暗面Kimi K2技术报告:解读万亿参数的智能体模型(含K2与DeepSeek R1对比)
耶鲁大学团队开发了全球首个AI科学实验设计评估系统ABGEN,测试了18个先进AI模型设计消融实验的能力。研究发现最好的AI系统得分4.11分,仍低于人类专家的4.80分,但在人机协作模式下表现显著改善。研究还发现现有自动评估系统可靠性不足,建立了元评估基准ABGEN-EVAL。这项研究为AI在科学研究中的应用提供了重要评估框架。