benchmark：把性能跑分数据讲清楚

benchmark 是什么：概念与边界

先把话说在前面：benchmark 的本质不是「打分」，而是「控制变量」。它把一段真实世界里千变万化的负载，抽象成一组固定任务，再在同一套规则下跑一遍，最后得到一个数值。这个数值之所以有意义，全靠「同一套规则」这四个字。规则变了，数字就失去可比性，哪怕它看起来还是那个熟悉的六位数。

它擅长回答的问题其实很有限：同一代芯片在单线程任务上谁更快、一块固态硬盘的顺序读写能到什么水平、某个框架在特定模型上的推理吞吐是多少。这些都是「有明确边界」的问题。它不擅长回答的是：这台机器做我的工作会不会卡、这块盘用三年会不会掉速、这个模型在中文长文本上表现如何。这些问题的答案里混着交互体验、老化曲线、语料分布，基准测试抓不住。

它能回答什么，不能回答什么

能回答的部分，通常有明确的单位和任务边界。比如渲染一帧需要多少秒、每秒能处理多少个请求、一次随机读取的延迟落在第 99 百分位是多少毫秒。这类结论可以直接用于横向比较，前提是两边的测试版本和配置都一致。

不能回答的部分，往往涉及「混合负载」。真实使用中，浏览器标签、后台同步、杀毒扫描、系统更新会同时存在，任何一个环节都可能成为瓶颈。基准测试把这些变量全部剔除，换来的是干净的数字，代价是离真实场景远了一截。我们在整理数据时一直坚持一条：凡是无法核实来源的成绩，宁可不收录，也不做推测性补齐。

为什么「条件」比「分数」更重要

举个常见的例子：同一颗处理器，在功耗墙放开和收紧两种设置下，多核成绩可能差出三成以上。如果只看分数，你会以为是两颗不同的芯片；看了条件，才知道是同一条产线上的同一个东西。这也是本站坚持把配置清单和测试版本一起列出的原因——脱离条件谈分数，等于把结论从证据上摘下来。

主流测试工具与项目盘点

工具本身没有高低，只有适配与否。下面按 CPU、GPU、存储、整机四类梳理，每一类都说明它测的是什么、容易在哪儿翻车。

选工具的三条朴素标准

一看是否还在维护。停止更新的测试项目在新系统上可能出现兼容问题，结果偏差很难察觉。二看是否公开测试方法，方法不透明的工具，分数再漂亮也没法解释。三看是否有稳定的版本号，跨版本直接比分数是新手最常犯的错。

顺带说一句，工具越「综合」，越容易掩盖问题。我个人的习惯是先跑单项定位瓶颈，再用综合项做整体校验，两者顺序颠倒，很容易得出错误结论。

跑分结果怎么看：关键指标解读

很多人拿到一份成绩单，第一反应是找那个最大的数字。其实更该先问三个问题：这个数字的单位是什么？它是平均值还是中位数？重复几次的结果差多少？这三问答完，一份成绩单的可信度基本就有了判断。

分数、单位与量纲

有的测试输出的是无量纲的「分」，比如把某台参考机定为基准 1000 分，其他机器按比例折算。这种分数只有相对意义，参考机换了，整套分数体系就作废。有的测试输出物理量，比如每秒多少 MB、多少毫秒、多少帧。物理量的好处是直观，坏处是容易被环境放大——同一块盘在空盘和八成满的状态下，随机写入能差出一倍。

分位数比平均值更有信息量

平均值是个「被平均」出来的数。假设一百次请求里有三次卡了 500 毫秒，其余都在 5 毫秒，平均值看着还行，但那三次卡顿用户是实打实感知到的。P99 延迟（第 99 百分位）能把这类尾部问题暴露出来，做服务端选型时尤其要看。消费级硬件测试里，P95 与 P99 的差距同样是判断「稳不稳」的关键。

波动范围该怎么用

单次成绩几乎没有说服力。我们建议至少重复三次，取中位数，并把最大值与最小值一并记录。两次结果差距在 5% 以内，通常可以认为一致；超过 10%，先别怀疑硬件，去查后台任务、温度和功耗设置。这部分在下面「跑分不一致排查」里展开。

测试环境差异为何导致结果不可比

同一型号的两台机器，跑分差两成，是坏了还是正常？多数情况下既没坏也不正常，只是条件不同。下面这几项是最常见的「隐形变量」。

系统版本与驱动

操作系统的大版本更新常带来调度策略调整，同一颗芯片在新旧系统上的成绩可能不同。显卡驱动的影响更直接，某些版本针对特定测试项做过优化，换回旧驱动分数就掉。所以看成绩单时，系统版本号和驱动版本号是必看项，缺了这两项，横向比较基本无效。

散热与功耗墙

笔记本尤其明显。插电与不插电、垫高与平放、室温 20 度与 30 度，都会改变持续负载下的成绩。厂商设置的功耗墙和温度墙决定了芯片能跑多久的高频，短时测试看不出来，持续负载测试一跑就现形。这也是为什么我们强调「短时成绩好看不代表长时间稳定」。

内存频率、时序与后台负载

内存频率与时序对部分测试项的影响能到一成以上，尤其是压缩、编码这类访存密集的任务。后台同步、索引服务、安全软件扫描则是另一种干扰，它们不改变硬件，只是抢走了资源。测试前把这些关掉，比事后解释为什么分数偏低要省事得多。

同一设备多次跑分不一致的原因排查

如果你遇到「昨天还好好的，今天分数掉了」，按下面的顺序查，绝大多数问题在前三步就能定位。

1. 确认测试版本与设置没变工具是否自动更新过、参数是否被重置、分辨率与画质档位是否一致。版本变了，后面的排查都是白费。
2. 看温度与频率曲线跑分过程中记录温度与核心频率。如果一开始高频、几十秒后掉下来，基本可以确定是散热或功耗墙在起作用。
3. 关掉后台任务再跑一次同步盘、索引、更新服务、浏览器标签都会抢资源。任务管理器里看有没有持续占用的进程。
4. 检查供电与电池策略笔记本插电与电池模式的性能策略不同，部分机型在电池模式下会主动降频。台式机则要看电源是否老化、供电是否稳定。
5. 排除存储与内存因素系统盘空间不足、内存占用过高都会拖慢整体响应。留出足够空闲空间，再测一次。
6. 最后才怀疑硬件前面五项都排除后，再用另一套工具交叉验证。单一工具结果异常，先换工具复测，别急着下结论。

这套顺序的逻辑是「从最可能变、最容易改的地方开始」。反过来先拆机换硅脂，往往折腾一圈发现问题只是后台在跑系统更新。

如何自己动手做一次可信的测试

一次可信的测试，准备工作占七成。下面这套流程我们内部一直在用，照着做能避开大部分坑。

1. 记录完整配置清单处理器型号、内存容量与频率、存储型号、显卡与驱动版本、系统版本号。缺一项，日后回看就没法解释。
2. 固定测试版本与参数把工具版本号写进记录里，参数截图保存。不要开着自动更新跑测试。
3. 清理环境关闭后台同步与更新服务，插上电源，保证通风。笔记本垫高、室温记录一下。
4. 预热一轮再正式测第一轮成绩通常偏高或偏低，建议作为预热丢弃，从第二轮开始记录。
5. 至少重复三次记录每次结果，取中位数，同时记下最大值与最小值。只保留最好的一次，是最常见的自欺。
6. 写清结论的适用条件「在这套配置与版本下，该测试项的中位数为 X，波动范围 Y」——这样一句话，比一个孤零零的分数有用得多。

记录模板建议

我们整理了一份简单的记录表：配置、版本、环境、三次结果、备注。备注栏专门写异常情况，比如「第三次测试时后台在跑索引」。这份表格的意义在于，半年后你回看时还能还原当时的条件，而不是对着一串数字发愣。

以上百分比用于描述本站内部整理流程的执行情况，不代表第三方评测机构数据。

测试节点状态参考

做网络与 DNS 类测试时，节点状态会直接影响结果。下面是我们观察到的示例面板，延迟数值随线路与时段波动，仅供参考。

数据更新于 6 分钟前 · 延迟为示例区间值，实际结果受本地网络影响。

benchmark 搜索全景：大家都在搜什么

下面这份聚合来自搜索引擎近 30 天的相关搜索词与搜索印象量，按意图归成四组。它能帮你快速看清：围绕 benchmark，用户真正想找的是哪几类东西。

数据来源：搜索引擎相关搜索，近 30 天，仅供参考。印象量为平台统计口径，不代表实际点击或访问。

常见误区与选型建议

唯分数论是这里最顽固的误区。分数高一点，价格贵一截，实际使用却感受不到差别——这种情况在办公场景里相当普遍。

三个高频误区

第一，跨版本比分数。工具更新后计分方式可能调整，新旧分数放在一起比较，结论一定是错的。第二，只看峰值不看持续。短时测试能跑出漂亮数字，长时间负载下散热跟不上，实际表现会掉一大截。第三，用综合分替代场景判断。综合分是加权出来的，权重由测试设计者决定，未必符合你的用法。

榜单参考：按用途挑测试方向

• 01

  日常办公与轻负载

  优先看单线程与随机读写，多核成绩参考价值有限。

  9.4/10单线程4K 随机👁 3.2 万次浏览
• 02

  内容创作与渲染编码

  多线程与内存带宽是关键，持续负载下的稳定性比峰值更重要。

  9.1/10多线程持续负载❤️ 1,860 收藏
• 03

  游戏与图形负载

  看帧时间与 P99 帧率，光追与超分设置必须一致才可比。

  8.8/10帧时间P99💬 412 评论
• 04

  存储与系统响应

  顺序读写看搬运，随机 4K 看响应，满盘状态下的成绩更贴近实际。

  8.6/10顺序读写满盘测试👁 2.1 万次浏览
• 05

  AI 推理与模型服务

  首字延迟与吞吐要分开看，量化精度与上下文长度必须对齐。

  8.3/10首字延迟吞吐⏱ 阅读 9 分钟

选型时的实用建议

先明确你的主要负载，再去挑对应的测试项，而不是反过来看哪个分数高。预算有限时，把整机分数差 5% 的钱花在散热和存储上，往往更划算。至于厂商宣传页上的数字，可以看，但要记得核对测试版本与配置——我们整理数据时对这类来源一律标注出处，无法核实的就不写。

谁在整理这些数据

数据背后得有人。我们是一个小团队，分工明确，每条结论都有人负责核对。

陈砚舟

主笔 · 测试方法论

跟踪硬件性能测试七年，负责测试流程与结论条件标注。

林望舒

编辑 · 存储与网络

负责存储、DNS 与网络类测试项的数据整理与复核。

周知远

编辑 · AI 推理基准

关注模型推理与训练基准，负责量化精度与上下文口径核对。

以上为用于说明内容分工的虚拟角色，不代表真实履历或机构。

常见问题

读者评论

• 🧑‍💻
  老王装机热评2026-11-12👍 42

  终于有人把功耗墙这件事讲明白了，我上次换散热之后跑分涨了 8%，一直以为是玄学，原来是持续负载下频率没掉。

• 🧑‍🔧
  xiaoming2020热评2026-11-11👍 31

  求问笔记本插电和不插电差这么多，是正常的吗？我这台差了快三成，看完文章大概明白是电池模式的性能策略在起作用。

• 🧑‍🔬
  深夜调参2026-11-11👍 18

  分位数那一段很有用，之前只看平均值，被几个异常值带偏了，现在改成看 P99 清楚多了。

• 💾
  存储小张2026-11-10👍 15

  SSD 测试建议补一句：别在系统盘上跑持续写入，我那次把系统写崩了，重装折腾一晚上。

• 🧑‍🎨
  阿杰Jay2026-11-09👍 9

  第一次看到把「能回答什么、不能回答什么」分开写的，这个视角比榜单实在。

• 📋
  选型打工人2026-11-08👍 12

  做技术选型的时候拿这套流程跑了一遍，确实比直接抄厂商数据靠谱，至少知道结论的边界在哪。

• 🧓
  老周不折腾2026-11-07👍 6

  驱动版本那段说到点上了，我显卡更新驱动后分数掉了 5%，找了半天原因，最后回滚才恢复。

• 🌙
  momo_72026-11-06👍 4

  能不能出一篇讲 AI 推理基准的？现在模型这块的跑分太乱了，各家口径都不一样。