百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

RTX 2050独显性能曝光!与AMD锐龙6000集成的RDNA2核显差多少?

ztj100 2025-03-06 00:03 27 浏览 0 评论

去年底,NVIDIA发布了针对下一代轻薄本定制的移动显卡,它们分别是GeForce MX550、MX570和RTX 2050。如今,其中的RTX 2050独显才正式随机械革命最新发布的无界16 Pro亮相,让我们有机会一睹它的性能表现。

简单来说,RTX 2050采用了图灵架构的GA107核心,拥有2048个流处理器,而且支持NVENC。没错,无论是核心还是流处理器数量,都与RTX 3050一模一样,只是显存位宽下降到64bit。和同样采用GA107核心的MX570相比,RTX 2050将显存容量从2GB提升到了4GB,功耗从15W~25W提升到30W~45W,而且还加入了光追相关的功能,所以才被NVIDIA授予了“RTX”的前缀。

机械革命无界16 Pro延续经典的机械革命F6、CODE10的模具,采用16英寸16:10显示比例的屏幕,AC镁合金+D铝合金全金属材质,厚度17.8mm,重量约为1.7kg。

从机械革命官方表示,RTX 2050配备RT光追核心、Tensor张量核心、NVIDIA Encoder编码器,支持光线追踪、DLSS、Reflex、Broadcast、Optimus等功能技术。该显卡在3DMark Fire Strike中的GPU跑分为9679,较之上代入门级独显MX450提升了134%,对比上代主流独显GTX 1650提升了22.6%。

在剪映视频的导出测试中,对比英特尔96EU的锐炬Xe核显,RTX 2050在4K@60视频方面领先约77%,2K@60视频约51%,在2K@30和1080P@30视频则分别为17%和6%。

实际上,在1月底,数码博主@巨炮快评 就对无界16 Pro进行过测试,测试机为i9-12900HK + RTX2050的配置,双烤时CPU和GPU的功耗分别为45W和38W,基本可以体现出满血版RTX2050的性能。

在3DMark Fire Strike测试中,RTX 2050的GPU子项分数为9308,和机械革命官方公布的性能数据接近。在Time Spy测试中GPU分数为3594。

看完了RTX 2050独显的表现,相信很多小伙伴也非常期待AMD新一代锐龙6000系列集成的RDNA2核显性能情况吧?

简单来说,AMD新一代锐龙5(包括U系列和H系列)集成了6个计算单元的Radeon 660M,而锐龙7和锐龙9则集成了满血的12个计算单元的Radeon 680M。

根据数码博主@金猪升级包 的实测可见,Radeon660M(锐龙5 6600H)和Radeon 680(锐龙7 6800H)在3DMark Fire Strike测试中的GPU分数分别为5041和7573 ,在Time Spy测试中GPU分数分别为1631和2574。

就3DMark的理论测试成绩来看,满血的Radeon 680核显可以秒杀大杯版MX450,但依旧远不是RTX 2050的对手,大概相当于NVIDIA GeForce MX550的水平,但这种表现也足够值得期待了。

需要注意的是,3DMark的理论跑分和实测游戏帧数并不对等,根据@金猪升级包 的实测,Radeon 680核显在主流3D游戏中的实际帧数和大杯版MX450持平,想通过它取代GTX 1650独显的同学可以洗洗睡了。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: