基準測試可重現性檢查
本頁內容
封存研究。 以下資料取得於 2026-09-04，版本為 0.5.2。表格、CSV 與腳本仍保留舊公式 Performance / Core Latency / Consistency，權重為 50/30/20。這不是線上排行榜目前的分数，也不是對新 CPU/GPU/Latency 模型的驗證。CV 0,256% 不能自動套用到該模型上。現行公式另行說明。
在這一輪之後，GPU 負載的方法與執行方式已有變動。重新計算舊數字並不能取代新的硬體測試輪次。在本次更新中，原始觀測與已發布的計算均未變更。
在六次 1920×1080 的執行中，PC Score 的變異係數為 0,256%。兩次較低解析度的執行與這六次平均值的偏差為 +0,392% 與 −0,070%。在單一 PC 上離散程度不大，但依這些資料無法評估其他配置上的雜訊。
這裡收錄了 2026-09-04 全部八次執行的分析。沒有任何一次執行被排除在表格之外。計算已於 2026-09-07 重新核算。
| 參數 | 本輪資料 |
|---|---|
| CPU | AMD Ryzen 7 7800X3D，8 實體核心 / 16 邏輯處理器 |
| GPU | NVIDIA GeForce RTX 5070 |
| Windows | 組建 26200；結果中的版本字串為 Windows 10.0.26200 |
| 引擎 | PCBenchmarkX 0.5.2 |
| 設定檔 | Candidate，相同的測試時長與組成 |
| 評分模型 | score-model-1.2-candidate-1 |
| 內部解析度 | 全部八次執行均為 1920×1080 |
| 輸出 | 無邊框全螢幕視窗 |
| 環境狀態 | 所有結果均標記偵測到 Hypervisor |
依作者所述，使用的是經過 BoosterX 最佳化的 Windows。本輪的完整設定清單並未公布。封存資料中也沒有與未最佳化 Windows 的比較。標記到的 Hypervisor 並不能證明是在客體 VM 內執行。
摘要中沒有圖形驅動程式版本，而封存資料也無法確定測試期間的元件溫度與完整設定清單。
執行如何分組
Section titled “執行如何分組”前三次執行在同一次 Windows 開機中完成，接下來三次則各自在獨立重新開機後進行。這可從系統連續運作時間（uptime）看出：推算出的開機時間點在 №1-3 一致，而在 №4、№5 與 №6 各不相同。最後兩次解析度測試在 №6 之後執行，期間沒有新的重新開機。
| № | Windows 開機 | 測試前系統運作時間，分 | 輸出解析度 | PC Score |
|---|---|---|---|---|
| 1 | A | 4,94 | 1920×1080 | 14 198,58 |
| 2 | A | 7,56 | 1920×1080 | 14 229,16 |
| 3 | A | 10,23 | 1920×1080 | 14 186,01 |
| 4 | B | 0,67 | 1920×1080 | 14 239,20 |
| 5 | C | 3,52 | 1920×1080 | 14 224,65 |
| 6 | D | 7,80 | 1920×1080 | 14 141,08 |
| 7 | D | 10,62 | 1280×768 | 14 258,79 |
| 8 | D | 13,48 | 800×600 | 14 193,24 |
第 №4 次執行在開機後不到一分鐘便開始。各次測試前的等待時間不同，因此無法在此單獨分離出「僅重新開機的效應」：其中還疊加了系統啟動後軟體的行為。
在 1920×1080 下的重現性
Section titled “在 1920×1080 下的重現性”此處的 CV 是在完整執行之間計算，採用除數為 n − 1 的樣本標準差：
mean = sum(x) / ns = sqrt(sum((x − mean)^2) / (n − 1))CV, % = 100 × s / meanrange, % = 100 × (max(x) − min(x)) / mean| PC Score 系列 | n | 平均 | CV | 全距 / 平均 |
|---|---|---|---|---|
| 同一次開機，№1–3 | 3 | 14 204,58 | 0,156% | 0,304% |
| 不同開機，№4–6 | 3 | 14 201,65 | 0,373% | 0,691% |
| 全部 1920×1080，№1–6 | 6 | 14 203,12 | 0,256% | 0,691% |
比較第一組與第二組三次執行，差異為 −0,021%。不同開機之間的離散程度高於同一次開機之內，但在本輪中仍然不大。每組三次執行太少，無法對極限誤差作出嚴格結論。
| 元件，№1–6 | 平均 | 執行間 CV | 全距 / 平均 |
|---|---|---|---|
| Performance | 11 437,74 | 0,121% | 0,330% |
| Core Latency Score | 21 750,66 | 0,392% | 1,129% |
| Consistency | 12 878,65 | 0,832% | 2,156% |
在三個元件中，Performance 表現出最高的穩定性。使用延遲分布尾端的區塊波動較明顯。因此，看起來相同的總分並不保證影格分布呈現相同的樣貌。
| 解析度 | PC Score | Δ PC 相對 №1–6 平均 | Δ Performance | Δ Core Latency Score | Δ Consistency |
|---|---|---|---|---|---|
| 1280×768，№7 | 14 258,79 | +0,392% | −0,054% | +0,633% | +1,149% |
| 800×600，№8 | 14 193,24 | −0,070% | −0,089% | −0,099% | +0,022% |
降低輸出解析度並未帶來 Performance 的系統性提升。這符合固定內部負載 1920×1080 的邏輯。
若只與同一次 Windows 開機中最近的 1920×1080 第 №6 次執行相比，PC Score 的變化為 +0,832% 與 +0,369%。差異取決於我們是與單次執行比較，還是與多次執行的平均值比較，因此這裡同時列出兩種結果。
每個較低解析度都只有一次執行。順序並未交替，且在切換解析度後也沒有再次執行 1920×1080。結果符合固定內部負載的假設，但並未排除解析度對個別元件的影響。要驗證這一點，需要在多台 PC 上以交替順序重複測試。
計算驗證與可用資料
Section titled “計算驗證與可用資料”全部八次執行均已完成：在已發布的 CSV 中，每次執行的四項評分與輸入彙總值都已填寫。執行的適用性由執行品質模型（Run Quality）評估，該模型在方法說明中描述：它會考量背景 CPU 負載、Hypervisor、電池供電與遠端工作階段。不過外部干擾仍可能影響測量：依此模型判定執行適用，並不能證明這些干擾不存在。
對所有執行，Performance、Core Latency Score、Consistency 與 PC Score 都已從保存的 throughput 與百分位數重新計算。與已發布結果的最大差異小於 0,000001 分。這是依彙總值對公式的驗證；本分析並未從原始影格完整重建百分位數。
- 八次執行的清理後資料，CSV。
- 計算驗證腳本，Python 3。僅需標準函式庫。
將兩個檔案保存在同一處並執行：
python analyze_repeatability.pyCSV 包含評分與輸入彙總值、解析度、系統運作時間以及開機的標示代號。含識別碼與內部資料的完整原始封存檔不予公布。
若要在其他電腦上檢驗重現性，請將你的測試輪次寄至 admin@boosterx.org，主旨為「PCBenchmarkX: повторяемость」。
請在相同條件下寄送多份完整結果，並註明 CPU、GPU、RAM、Windows 與驅動程式版本、設定檔、解析度、重新開機情形以及測試之間的變更。若要檢驗解析度的影響，請在多次執行之間交替切換解析度，並在每個數值上進行多次執行。最好寄送整輪完整資料，包括「不良」或罕見的情況。
寄送前請檢查封存檔是否含有個人資料。請說明是否可以在不包含你個人資料的情況下公布結果與電腦規格。經查驗後，我們便能將該輪資料連同條件、計算與限制一併加入此處。也請寄送離散程度較大的輪次：它們有助於釐清在哪些條件下結果較不穩定。
本分析由 BoosterX 團隊依所提供的測試輪次編寫。它並非獨立認證，也不證明 BoosterX 最佳化能帶來效能提升。獨立重現的結果將另行標註。