LONDON (IT BOLTWISE) – Ein Effizienztest aus der Praxis stellt die Performance pro Watt von Googles Tensor G6 und Tensor G5 infrage. Laut den Messdaten erreichen beide Chips zwar im CPU-Bereich Werte nahe konkurrierender SoCs, bleiben aber bei der CPU- und besonders der GPU-Effizienz hinter aktuellen Top-Modellen zurück. Im GPU-Workload zeigt der Tensor G6 ein deutlich niedriges Peak-Niveau bei ähnlicher bis geringer Leistungsaufnahme. Auffällig ist zugleich die Nähe des Kirin 9030 Pro zur Tensor-Effizienz, obwohl er Berichten zufolge auf einem älteren Prozess basiert.
Googles Tensor G6 und der Vorgänger Tensor G5 stehen nach ersten Effizienz-Messungen offenbar unter Druck: In einem Testaufbau, wie ihn der chinesische Hardware-Reviewer Geekerwan auf Bilibili veröffentlicht hat, schneiden beide Chips bei der Kombination aus Leistung und Energieaufnahme in CPU- und GPU-Workloads schlechter ab als Apples A-Serie und Qualcomms Snapdragon-Flaggschiffe. Der Ansatz ist dabei weniger „Benchmark als Momentaufnahme“, sondern „Performance pro Watt“: Die Kurven werden als Messpunkte entlang verschiedener Leistungsbudgets dargestellt, sodass klar wird, wie viel Rechenarbeit pro aufgenommener Watt-Zahl gelingt.
Technisch verorten die Angaben die Fertigung als entscheidenden Kontext. Der Tensor G5 soll auf TSMCs 3-nm-Variante N3E gefertigt sein, der Tensor G6 dagegen auf N3P. Genau diese Prozessbezeichnung ist wichtig, weil sie Erwartungen an Effizienz- und Dichtegewinne wecken: Bei neueren Knoten steigt häufig der Spielraum, entweder die Leistung zu erhöhen oder die gleiche Leistung mit weniger Energie zu erreichen. Gegen diese 3-nm-Grundannahme stellt der Test nun die gemessene Effizienz-Kurve, die Geekerwan für CPU und GPU in separaten Diagrammen aufbereitet.
Für die CPU-Seite nutzt der Test Geekbench 6 als Grundlage. Dabei verläuft die Tensor-G6-Kurve eng „neben“ der des Tensor G5, ebenso liegen Snapdragon-8-Gen-2- und Kirin-9030-Pro-Werte im gleichen niedrigen bis mittleren Leistungsbereich ähnlich. Konkreter wird es beim oberen Ende: Der Tensor G6 erreicht in diesem Setup ungefähr 8.000 Punkte nahe 11W. Im direkten Vergleich landet der Snapdragon 8 Elite bei etwa 10.100 Punkten nahe 15W. Apples A17 Pro und A19 Pro werden in den Angaben als höhere Werte bei vergleichbaren oder sogar geringeren Leistungsbudgets beschrieben, was in der Logik des Tests vor allem eines bedeutet: Bei gleicher Energie setzt Apple im CPU-Teil offenbar mehr Rechenleistung in Ergebnis um.
Die GPU-Kurve zeigt laut Geekerwan einen ähnlich gelagerten Abstand. Gemessen wird hier mit Steel Nomad Light, wobei der Tensor G6 bei rund 1.200 Punkten um etwa 6W seinen Peak erreicht. Auch das wirkt zunächst nicht dramatisch, weil die Tensor-Positionen nahe beieinander liegen und der Vergleich mit Tensor G5, Snapdragon 8 Gen 2 und Kirin 9030 Pro ebenfalls in eine ähnliche Richtung zeigt. Entscheidend ist jedoch die Gegenüberstellung zu aktuellen Spitzenchips: Der Snapdragon 8 Elite kommt im Setup auf ungefähr 2.550 Punkte bei etwa 9,5W, während die Apple-Datenpunkte in der Darstellung deutlich höher ausfallen. Das Muster ist damit ziemlich konsistent: weniger „watt-normalisierte“ GPU-Leistung als bei den Top-SoCs, die in aktuellen Smartphones typischerweise das hohe Effizienzniveau treiben.
Geekerwan fasst die Ergebnisse abschließend mit einer Art Zuordnung entlang bekannter Snapdragon-Generationseinschätzungen zusammen: Die CPU-Effizienz des Tensor G6 liege grob in der Nähe dessen, was beim Snapdragon 8 Gen 3 zu finden sei, während die GPU-Effizienz näher an der Generation des Snapdragon 8 Gen 2 ausfällt. Daraus leitet sich die Schlagzeile in eine praktische Einordnung übersetzt: Selbst wenn die Tensor-Chips bei niedrigen Leistungsbereichen „mithalten“, fehlt ihnen im Effizienzvorteil offenbar der Schritt, der bei Qualcomm und Apple in den letzten Produktzyklen kontinuierlich verbessert wurde. In der Konsequenz bedeutet das aus Entwicklersicht auch: Für Workloads, die stark von GPU-Fähigkeiten abhängen, kann es trotz ähnlicher Leistungsbudgets zu spürbar anderer Performance kommen.
Besonders spannend ist neben dem Rückstand ein Detail, das den reinen Prozess-Story-Ansatz relativiert: Laut den Testdaten zeigt der Kirin 9030 Pro in der Nähe von Tensor G5 eine vergleichbare Effizienz, obwohl er Berichten zufolge auf SMICs N+3 gefertigt sein soll. Der Test ordnet N+3 dabei als etwa vergleichbar mit TSMCs N6 ein. Wenn ein Chip mit älterem Prozessknoten in der Effizienzkurve so nah an einem neueren Tensor-Design liegt, dann weist das auf weitere Faktoren jenseits der reinen Geometrie hin, etwa Design-Tuning, Cache-Organisation, Takt- und Spannungsmanagement sowie die konkrete Auslegung der CPU- und GPU-Cluster für die ausgewählten Benchmarks. Für die Praxis bei Smartphone-Nutzern und für Softwareteams ist genau das relevant, weil es die Erwartungshaltung verschiebt: „3nm“ ist nicht automatisch „beste Performance pro Watt“.
Für Markt und Plattform-Ökosystem hat diese Art von Effizienztest trotz begrenzter Benchmark-Abdeckung mehrere Konsequenzen. Erstens erhöht sie den Druck auf die KI- und Multimedia-Optimierung in mobilen Systemen, denn dort sind in vielen realen Szenarien GPU-Last und dauerhafte Performance pro Energie entscheidend, nicht nur Spitzenleistung. Zweitens macht sie die Vergleichbarkeit von SoC-Generationen greifbarer: Entwickler können Workload-Klassen besser einordnen, etwa wann sich dynamische Leistungsprofile stärker auswirken. Drittens verschiebt sie die Diskussion um Tensor-Generationen weg von „wie schnell“ hin zu „wie lange und wie effizient“, gerade weil Nutzer sich bei Akkulaufzeit und thermischer Stabilität typischerweise weniger an synthetischen Höchstwerten orientieren. Welche konkreten Software- und Scheduler-Anpassungen Google in kommenden Builds vornimmt, bleibt damit eine offene Frage – der Test liefert jedenfalls ein messbares Ausgangsbild, das andere Leistungsziele in den Vordergrund rückt.
Quellenhinweis aus dem Setup: Geekerwan über Bilibili; die Messpunkte beziehen sich auf Geekbench 6 (CPU) und Steel Nomad Light (GPU). Der Test nennt zudem TSMC-Nodes für Tensor G5 (N3E) und Tensor G6 (N3P) sowie eine ältere SMIC-Einordnung für den Kirin 9030 Pro. Für eine belastbare Prognose über reale Nutzerlasten wäre als nächster Schritt eine breitere Benchmark-Mischung über mehrere thermische Zustände und längere Laufzeiten sinnvoll – aber als Effizienz-Snapshot zum Start des Hardware-Iterationszyklus ist die Richtung der Kurven bereits klar genug, um Rückfragen zu Triggern: Wie stark lassen sich Tensor-Chips im GPU-Teil noch „watt-normalisiert“ nachziehen?
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Pixel-Tensor G6 und G5: Effizienztest zeigt Rückstand bei Performance pro Watt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Pixel-Tensor G6 und G5: Effizienztest zeigt Rückstand bei Performance pro Watt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Pixel-Tensor G6 und G5: Effizienztest zeigt Rückstand bei Performance pro Watt« bei Google Deutschland suchen, bei Bing oder Google News!