# 📊 Полный отчёт об аппаратных возможностях и производительности Infinix X676C (Note 12 2023)

**Дата:** 6 мая 2026
**Устройство:** Infinix X676C (Note 12 2023)
**SoC:** MediaTek Helio G88 (MT6789)
**CPU:** 2×Cortex‑A75 @ 2.0 ГГц + 6×Cortex‑A55 @ 1.8 ГГц
**GPU:** Mali‑G57 MC2 (архитектура Valhall, драйвер r32p1)
**ОС:** Android 12 (Termux, права shell)

---

## 1. Методика тестирования

Все тесты проводились в среде Termux без прав root, с активным Vulkan‑драйвером Mesa Turnip (v24.2.5, wrapper). Использовались:

- **CPU‑бенчмарк:** `ncnn/benchncnn` (сборка с ARM‑оптимизациями, без GPU)
- **GPU‑бенчмарки:** `vkpeak` (пиковая производительность Vulkan), `vkmark` (графический бенчмарк)
- **LLM‑инференс:** `llama.cpp` (сборки CPU, Vulkan, OpenCL) с моделью Qwen2.5‑1.5B‑Instruct Q4_K_M (934 МБ)

---

## 2. Процессор (CPU)

### 2.1. Результаты `benchncnn` (время обработки, мс)

| Модель               | Мин.   | Среднее | Макс.   |
|----------------------|--------|---------|---------|
| SqueezeNet           | 7.44   | **7.57** | 7.77    |
| MobileNet            | 12.19  | **12.49** | 12.86   |
| VGG16                | 118.09 | **118.65** | 119.29  |
| Vision Transformer   | 748.32 | **752.43** | 760.05  |

Тест использовал 2 потока, `gpu_device = -1` (чистый CPU). Это демонстрирует отличную производительность для бюджетного мобильного процессора, особенно на свёрточных сетях.

### 2.2. Аналоги CPU

| Тип              | Модель                           |
|------------------|----------------------------------|
| Настольный ПК    | Intel Core i3‑4005U (Haswell, 2014) |
| Одноплатный ПК   | Raspberry Pi 5, Khadas VIM3L     |
| Мобильный SoC    | Snapdragon 662, 665, 678         |

Производительность Cortex‑A75 на ядро примерно на 34% уступает первому поколению Zen1 (AMD, 2017), но превосходит Cortex‑A73 на 20–50%.

---

## 3. Графический ускоритель (GPU)

### 3.1. Пиковая производительность (`vkpeak`)

| Метрика       | GFLOPS/GIOPS   |
|---------------|----------------|
| FP32 scalar   | 126.80         |
| FP32 vec4     | 126.11         |
| FP16 scalar   | 126.99         |
| FP16 vec4     | **252.81**     |
| **FP16 matrix** | **0.00**      |
| INT32 scalar  | 32.00 GIOPS    |
| INT16 vec4    | 63.98 GIOPS    |

Видно, что GPU способен на 253 GFLOPS FP16, но **не поддерживает матричные расширения** (cooperative matrix, dot‑продукты), критичные для LLM.

### 3.2. Графический тест (`vkmark`)

**Итоговая оценка:** 1120 (без Termux:X11), 1145 (с X11).
Высокий FPS (например, cube‑тест – 1836 FPS) подтверждает, что сам Vulkan‑драйвер работает стабильно для графики.

### 3.3. Аналоги GPU

| Тип                        | Модель                        |
|----------------------------|-------------------------------|
| Интегрированная графика    | Intel UHD 620                 |
| Дискретная начальная       | NVIDIA GeForce GT 710 (2014)  |
| Мобильный GPU              | Qualcomm Adreno 618           |

---

## 4. Запуск LLM (llama.cpp)

### 4.1. Успешные конфигурации

| Сборка     | Статус                        | Скорость (Qwen 1.5B)                  |
|------------|-------------------------------|---------------------------------------|
| **CPU**    | ✅ Стабильно                  | ~10–11 t/s (128 токенов за ~14–18 с) |
| Vulkan     | ❌ Segfault при инициализации  | –                                     |
| OpenCL     | ❌ Platform IDs not available  | –                                     |

### 4.2. Попытки GPU‑ускорения

- **Vulkan:** сборка прошла успешно, но падает при `common_params_fit_impl` из‑за отсутствия `VK_KHR_cooperative_matrix` и багов в Turnip.
- **OpenCL:** рантайм не видит платформу (`clGetPlatformIDs -1001`). Сборка с `GGML_OPENCL=ON` работает только на CPU.

### 4.3. Причина невозможности GPU‑инференса

Не аппаратная проблема, а **программная**: драйвер Mesa Turnip не поддерживает расширение `VK_KHR_cooperative_matrix` (и аналогичные для dot‑product/int8). Без них матричные вычисления не ускоряются, а вычислительные шейдеры нестабильны. Теоретически проприетарный драйвер ARM или будущая версия PanVK могли бы решить проблему, но на момент тестов это недоступно.

---

## 5. Сравнение CPU и GPU

| Показатель                                 | CPU (Helio G88)                 | GPU (Mali‑G57)       |
|--------------------------------------------|--------------------------------|---------------------|
| Пиковая FP16 (GFLOPS)                      | ~120–150 (оценка)              | **253**             |
| Реальная скорость LLM (1.5B, q4_K_M)       | **10 t/s**                     | 0 (не работает)     |
| Стабильность вычислений                    | ✅ Отлично                     | ❌ Segfault          |
| Поддержка матричных расширений             | Не требуется                   | ❌ Отсутствует       |
| Пригодность для анализа кода (RsaUtils, smali) | ✅ Да                       | ❌ Нет               |

**Вывод:** Несмотря на формальное превосходство в пиковой производительности, GPU бесполезен для `llama.cpp` из‑за отсутствия ключевых расширений. CPU‑сборка – единственный рабочий и быстрый вариант.

---

## 6. Итоговые рекомендации

1. **Использовать CPU‑сборку `llama.cpp`** (`~/.local/bin/llama-completion`) как основную для локального инференса.
2. **Облачные API (Groq/OpenRouter) – основной инструмент** для глубокого анализа кода (модели 70B+).
3. **Локальная Qwen2.5‑1.5B‑Instruct – отличный офлайн‑помощник** (объяснение кода, поиск уязвимостей).
4. **GPU‑эксперименты прекращены** до появления драйверов с поддержкой cooperative matrix.

---

## 7. Инструментарий (после завершения экспериментов)

- **Анализатор кода:** `smart_analyze.py` (CLI), `web_analyzer.py` (GUI на Flask)
- **Локальный LLM:** `llama-completion` (CPU) + Qwen2.5‑1.5B‑Instruct
- **Облачные бэкенды:** Groq, OpenRouter, Ollama (настроено автоматическое переключение)
- **Бенчмарки (удалены):** `vkpeak`, `ncnn`, `clpeak`, `vkmark` – использовались только для тестов.

Отчёт завершён.