3月20日,英特尔锐炫放出了31.0.101.5379版本的锐炫独立显卡驱动,首发支持了《射雕》这款游戏,这也是此前英特尔所承诺的在游戏上市前就提前布局支持,上线即能顺畅游玩,专注为玩家提供更优的驱动和游戏体验。
《射雕》这款游戏为网易开发,斥资10亿,打造三端互通的开放式武侠探索新世界,基于金庸武侠小说射雕三部曲改编,画面精美,技能酷炫、在市面的同类型游戏中独树一帜的特色表现,让人沉浸其中,并且这款游戏的PC端对于显卡的要求较高,很有可能是像PUBG一样,成为下一个推动PC硬件升级的现象级游戏。
恰好近期这款游戏正式开启了公测,我们手里也有公版的英特尔锐炫A750和英伟达的RTX 4060显卡,我们为大家进行一个横向对比,让大家更好地了解两款显卡的实际性能表现和价格优势分析,为更多准备使用PC游玩这款游戏的同学,提供一个显卡硬件的参考。
正式开始测试之前,我们还是同样先来介绍一下本次测试的硬件配合和驱动状况。
处理器:英特尔第14代酷睿i9-14900K
主板:华硕ROG Strix Z790-E Gaming D5
内存:金士顿Fury DDR5 6400MT/s 16g*2
硬盘:三星990 PRO/西部数据SN570
散热器:微星360一体式水冷
电源:金河田金牌额定750W电源
机箱:联力O11D海景房
系统:Windows 11 22H3专业版
显卡方面,我们使用的是公版的英特尔锐炫A750显卡,以及公版频率的NVIDIA RTX 4060显卡。驱动版本上,英特尔锐炫A750使用的是版本尾号为5379的驱动,而RTX 4060使用的是551.76驱动版本。
画面设置方面,我们选择精致档位的特效,选择1080P和2K分辨率进行实际游戏,作为网易出品的MMO游戏,《射雕》的游戏内可探索的世界非常大,游戏画面非常精致,非常多游戏场景都是堪称壁纸级别的美景。
至于此前为什么笔者说《射雕》极有可能成为下一个现象级的呢?首先是主角设定仅有男女之分,后续还有众多的侠侍角色辅助战斗,同时武器系统、修炼武学系统、强化等等,配合上各种剧情NPC和宏大的世界,让玩家尽情探索游戏,其次除了内容非常丰富、玩法多样,再来就是游戏画面精美,需要渲染能力强大的独立显卡才能够在PC端流畅运行。所以想要在PC端流畅游玩,对于老旧的设备来讲非常吃力,所以需要升级到目前全新的主流级游戏显卡,这样势必会引来新一波的换显卡风潮。
2K游戏画面上,经过我们的实际测试,选择精致档位特效,并且关闭帧数限制,最终在相同的跑图场景中,英特尔锐炫A750的2K游戏帧数达到60FPS,而RTX 4060则来到54,英特尔锐炫A750领先11.1%。
在画面较为复杂的战斗场景中,我们选择相同的副本场景和技能,英特尔锐炫A750的游戏帧数为55,而RTX 4060的游戏帧数仅为47,锐炫A750的游戏帧数领先17%。可以看到即便是目前主流的游戏显卡,在2K分辨率下,精致画面特效,后续游戏的优化仍有进步的空间。
相同的场景,我们又测试了1080P分辨率下的游戏性能:
1080P主城跑图:
1080P副本战斗场景游戏性能:
在1080P精致特效下,两块显卡的游戏帧数在伯仲之间,可以视为同一水平表现,但是考虑到现在两款显卡的价格,其中锐炫A750的京东售价为1649元,而RTX 4060的电商价格基本在2499元左右,价格相差850元,幅度更是达到接近51%,但是锐炫A750的2K游戏性能领先RTX 4060平均约为14%,而1080P游戏性能方面则两款显卡均相差不大,所以A750的性价比表现非常高。
结语:
如果你现阶段打算入手一款主流级的游戏显卡,想要在2K分辨率下流畅游玩《射雕》的话,英特尔锐炫A750的性价比明显优于RTX 4060,游戏性能表现出色,能够在精致的画面下,实现60FPS的游戏帧数,并且随着后续的驱动优化和游戏的优化,英特尔锐炫A系列显卡同样会带给我们更好的游戏体验。
好文章,需要你的鼓励
阿里团队开发的FantasyPortrait系统突破了传统人像动画的局限,通过隐式表情表示和掩码交叉注意力机制,实现了高质量的单人和多人肖像动画生成,特别在跨身份表情迁移方面表现出色,为视频制作和虚拟交流等领域带来新的技术可能性。
复旦大学研究团队开发的AnyI2V系统实现了从任意条件图像到视频的生成突破。该系统无需训练即可处理多种输入模态(包括3D网格、点云等),支持用户自定义运动轨迹控制,并通过创新的特征注入和语义掩模技术实现了高质量视频生成,为视频创作领域带来了革命性的便利工具。
Akamai坚持“简而未减、网络先行、拥抱开源”的独特定位。凭借“鱼与熊掌兼得”的特色,过去几年,Akamai在电商、流媒体、广告科技、SaaS、金融科技等行业客户中获得了广泛认可。
斯坦福大学研究团队开发了KL-tracing方法,能让视频生成AI模型在无需专门训练的情况下进行精确物体追踪。该方法通过在视频帧中添加微小追踪标记,利用模型的物理理解能力预测物体运动轨迹。在真实场景测试中,相比传统方法性能提升16.6%,展现了大型生成模型在计算机视觉任务中的潜力。