EPOMAKER G84 Pro vs EPOMAKER Galaxy100 Lite
EPOMAKER G84 Pro — Nimm das EPOMAKER G84 Pro — es führt bei diesen Gruppen: Design 1
Gruppe antippen für den Beweis · Die Bewertungsmethode ist öffentlich
Kurz gesagt
EPOMAKER G84 Pro gewinnt diesen Vergleich mit 67/100, vor EPOMAKER Galaxy100 Lite (66).
Die wichtigsten Unterschiede: Gewicht (970 g vs 1660 g) · Switch-Typ (Epomaker Creamy Jade vs Feker Marble White Switch).
Die Scores werden aus 5 öffentlichen Spezifikationen berechnet; fehlende Werte bleiben unbekannt markiert und werden mit dem Kategorie-Median imputiert.
Auf einen Blick
0–100 pro Gruppe, normalisiert in der Kategorie · Gruppe antippen für Details
| EPOMAKER G84 Pro | EPOMAKER Galaxy100 Lite | |
|---|---|---|
| Design | 88 | 81 |
Wie wählen
Nimm das EPOMAKER G84 Pro, wenn dir wichtig ist…
- Gewicht 970 g +690 g vs 1660 g
Bester Preis jetzt
Günstige Alternativen
Logitech MX Keys S
Razer BlackWidow V4 Pro
Aula F99
MCHOSE G75 Pro
Lofree -68
B.FRIENDit K23
Wo sie sich unterscheiden
2 · Nur abweichende Zeilen, mit Urteil pro Zeile
| EPOMAKER G84 Pro | EPOMAKER Galaxy100 Lite | Wo sie sich unterscheiden | |
|---|---|---|---|
| Gewicht | 970 g | 1660 g | EPOMAKER G84 Pro |
| Switch-Typ | Epomaker Creamy Jade | Feker Marble White Switch | Kommt darauf an |
Das komplette Datenblatt
Gruppiert und einklappbar · Gruppe antippen zum Einklappen
Design4▾
| EPOMAKER G84 Pro | EPOMAKER Galaxy100 Lite | |
|---|---|---|
| Layout | ANSI (United States) | ANSI (United States) |
| Hot-swap-fähig | ✓ | ✓ |
| RGB pro Taste | ✓ | ✓ |
| Gewicht | 970 g | 1660 g |
Haptik1▾
| EPOMAKER G84 Pro | EPOMAKER Galaxy100 Lite | |
|---|---|---|
| Switch-Typ | Epomaker Creamy Jade | Feker Marble White Switch |
Häufige Fragen
Welches ist besser, EPOMAKER G84 Pro oder EPOMAKER Galaxy100 Lite?
EPOMAKER G84 Pro liegt knapp vorn, 67 zu 66 und führt bei Design.
Was sind die Hauptunterschiede?
Die wichtigsten Unterschiede: Gewicht (970 g vs 1660 g) · Switch-Typ (Epomaker Creamy Jade vs Feker Marble White Switch).
Wie werden die Scores berechnet?
Wir normalisieren 5 öffentliche Spezifikationen innerhalb der Kategorie und gewichten sie nach Gruppe für einen Score von 0–100; fehlende Werte werden von Modellen mit identischen Spezifikationen geerbt oder mit dem Kategoriemedian imputiert, sodass eine dünne Datenblatt nie begünstigt wird. Die Methodik ist öffentlich.