同一台 Mac，五個瀏覽器，五個分數

一台搭載 M4 Max 的 Mac Studio 在 Apple Store 跑我們的基準測試，拿到 10,630。拿來對照的那台 MacBook Pro——一顆較舊的 M2 Max——在家裡跑出過大約 12,900。更新、更大的晶片反而輸了 18%，而那些顯而易見的嫌疑（36 GB 記憶體對 96 GB、閒置的展示機對正在工作的開發機）一個也解釋不了。

於是我們拿一台機器——還是那台 M2 Max，同一台螢幕，同一個下午——跑了五個瀏覽器：

同樣的晶片，同樣的螢幕，最好與最差之間差了一倍。按場景看的數字比總分更離奇。我們的光線步進場景「液態金屬」在 Safari 裡穩住 25,523 單位，在 Firefox 裡只有 5,622——用的是同一顆 GPU。Canvas 2D 圓形：Opera 64,476，Firefox 9,960。我們的 CPU 物理場景在 Safari 裡比在任何 Chromium 瀏覽器裡都快 29%，因為 JavaScriptCore 比 V8 更合那段程式碼的胃口。

而門市裡的結果，原來是同一個故事換了一身行頭。在 Safari 上，M2 Max 在光線步進場景裡穩住 25,523 單位——門市裡的 M4 Max 卻只有 6,222，M5 Pro 更只有 2,628。同樣的瀏覽器，同樣的場景，更新、更快的 GPU 卻差了四到十倍。那個著色器裡有一個 180 次迭代的迴圈，較新的 GPU 世代與 Metal 編譯器的某種組合在它上面卡住了，舊世代卻沒有。那個場景量的早已不是片段吞吐量，而是編譯器的運氣。

瀏覽器基準測試誠實量測的是什麼

這個網站給出的數字不是晶片評分，而是對你實際使用的整套技術堆疊的量測：晶片、驅動程式、著色器編譯器、JavaScript 引擎、canvas 點陣化器、合成器。這是特性而非缺陷——這正是你打開網頁時得到的效能——但這也代表，比較時有兩條規則很重要：

只在同一個瀏覽器裡比較。 Safari 的分數和 Chrome 的分數，量的是剛好共用一顆晶片的兩套不同技術堆疊。我們的最高分排行榜早就在每一列標出瀏覽器；現在只要樣本足夠，結果單也會依瀏覽器顯示同一硬體的中位數。

基準測試不該放大技術堆疊的怪癖。 技術堆疊本身是量測的一部分，這很誠實。但一個場景只因編譯器不喜歡某種迴圈寫法就暴跌 10 倍，就說不過去了——那是基準測試本身太脆弱，該由我們來修。

基準測試 2.3.0 改了什麼

光線步進器現在分小批次繪製。 液態金屬不再用一個迴圈到 180 個取樣的著色器，而是累加反覆執行的四取樣算繪輪次——取樣位置相同，總工作量相同，算術一位不差。四次迭代的迴圈，正是每個引擎都能編譯好的那類著色器；它能否把最新的 Apple GPU 拉回片段吞吐量應有的趨勢，要等下一次去門市才知道。Firefox 則文風不動——換上新著色器後依舊是 5,622——因為它的開銷在每個取樣要做的工作裡，而不在外面那層迴圈上，要修它就得改動工作負載本身。

所有螢幕共用一個持續預算。 真實的垂直同步時間戳記比我們在 2.2.0 採用的整齊模型亂得多，而接固定更新率螢幕的機器，悄悄拿到了比可變更新率筆電寬鬆約 9% 的每格持續預算。現在所有人都要符合同一個 17.5 毫秒的截尾平均。

冷啟動不再產出垃圾數據。 在剛開啟的瀏覽器裡跑第一次，以前往往很慘：門市的一台展示 Mac 先跑出 77，幾分鐘後跑出 8,553；我們自己在家最初幾次用 Safari 跑，讀數是 304 和 1,149，之後才出現 11,443。三項修正：基準測試現在會在花掉三分鐘之前先檢查你的機器是否正忙；在每個場景裡等首次造訪的著色器編譯卡頓過去；如果機器已經安靜下來，還會在測試結尾給什麼都沒量到的場景再一次機會。沒有任何數字是捏造的——重試只是第二次量測。

標記現在說的是實話。 如果一次測試裡每個場景都量到了，但有一個階位沒能連續三個視窗獲得確認，過去整次測試就會被打到下限，完全進不了排行榜。我們的正式環境資料顯示，這類階位比穩定裝置量到的結果低約 13%——這是吃力的硬體在如實表現，而不是有人在灌分——所以它們現在會帶著標記發布，每個場景標記也會準確說明三種情況中發生的是哪一種。

結果也能帶著走了。 「複製連結」現在會把完整結果——分數、各場景負載、影格時間、標記——打包進連結本身。不上傳任何東西；在任何地方開啟，都會以唯讀方式顯示。如果你哪天要測一台不屬於你的電腦，再也不用對著螢幕拍照了。我們懂。我們拍過很多面螢幕。

2.3.0 的分數永遠不會和舊版本混在一起，所以排行榜從零開始。如果你想看量測原理的完整版——影格時間視窗、負載階梯、哪些情況會讓測試失效——方法說明頁裡都有。或者直接跑一次：大約三分鐘，而且現在它會事先告訴你，你的機器是不是狀態不佳。