# LLM-Benchmark Konfiguration # Modell : MiniMax-M2.5 # Run-ID : run-20260722-165903-309484 # GPU : 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition # CPU : 34x AMD Ryzen Threadripper PRO 9965WX 24-Cores # RAM : 125 GB bench@llm-benchmark:~$ cat benchmark.conf Konfigurationspfad mratsim/MiniMax-M2.5-BF16-INT4-AWQ Engine vllm Modellalias MiniMax-M2.5 Kontextlaenge 164000 Tensor-Parallel 1 Pipeline-Parallel 3 GPU-Speicher 0.90 Load-Format safetensors Trust-Remote-Code aktiv Tool-Parser minimax_m2 Reasoning-Parser minimax_m2_append_think

Engine?Die Inferenz-Software, die das Modell ausliefert (z.B. vLLM oder llama.cpp). Sie bestimmt Geschwindigkeit, unterstuetzte Modellformate und welche Parameter ueberhaupt verfuegbar sind.	vllm
Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen.	MiniMax-M2.5
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	164000
Modellpfad?Pfad oder HuggingFace-Repo des zu ladenden Modells (Positionsargument bei "vllm serve" oder --model).	mratsim/MiniMax-M2.5-BF16-INT4-AWQ
Alias?Name, unter dem vLLM das Modell in der API anbietet. Der Client muss im Request-Feld 'model' exakt diesen Namen senden.	MiniMax-M2.5
Tensor-Parallel?Anzahl GPUs, auf die JEDER einzelne Modell-Layer aufgeteilt wird (Tensor-Parallelitaet). Mehr GPUs = mehr VRAM und meist mehr Speed, aber die Anzahl der Attention-Heads muss durch diesen Wert teilbar sein (z.B. 32 Heads -> nur 1, 2, 4, 8 ... moeglich, NICHT 3).	1
Pipeline-Parallel?Anzahl GPUs, auf die die Modell-Layer der Reihe nach (als Pipeline) verteilt werden. Nutzt mehrere GPUs OHNE Teilbarkeits-Anforderung der Heads; erhoeht vor allem Kapazitaet und Durchsatz, die Latenz einer einzelnen Anfrage aber nicht zwingend.	3
Kontext?Maximale Kontextlaenge in Tokens (Eingabe + Ausgabe zusammen). Begrenzt, wie gross eine einzelne Anfrage sein darf.	164000
GPU-Speicher?Anteil des GPU-Speichers (0 bis 1), den vLLM belegen darf. 0.92 = 92 %. Hoeher = mehr Platz fuer den KV-Cache (mehr/laengere parallele Anfragen), aber groesseres Risiko fuer 'Out of Memory'.	0.90
Load-Format?Format, aus dem die Gewichte geladen werden (auto, safetensors, pt ...). 'auto' erkennt es selbst.	safetensors
Trust-Remote-Code?Erlaubt vLLM, mit dem Modell mitgelieferten Python-Code auszufuehren. Noetig fuer Architekturen, die vLLM nicht von Haus aus kennt. Nur bei vertrauenswuerdigen Modellen aktivieren.	aktiv
Enforce-Eager?Schaltet die optimierte Graph-Ausfuehrung (CUDA-/HIP-Graphs) AB und rechnet Schritt fuer Schritt. Startet schneller und spart etwas VRAM, ist im laufenden Betrieb aber meist langsamer als mit Graphs.	aktiv
Custom-AllReduce aus?Deaktiviert den custom All-Reduce-Kernel bei Multi-GPU und faellt auf NCCL zurueck. Hilft bei Stabilitaetsproblemen mit Tensor-Parallelismus.	aktiv
Auto-Tool-Choice?Erlaubt dem Modell, Tools (Function-Calling) selbststaendig auszuwaehlen. MUSS aktiv sein, damit 'tools' im Request akzeptiert werden - sonst lehnt vLLM sie mit HTTP 400 ab.	aktiv
Tool-Parser?Bestimmt, wie vLLM Tool-Aufrufe aus der Modellantwort ausliest (z.B. hermes, mistral, llama3_json). Muss zum Modell passen.	minimax_m2
Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken).	minimax_m2_append_think

All benchmarks of this model To leaderboard

Model comparison

MiniMax-M2.5 on various hardware

All published performance runs of this model – each bubble a variant: position = prefill (X) × generation (Y), bubble size = number of runs. Closer to the top right = faster. ★ Marked gold = this benchmark.

GPUby graphics card

★ NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 551,0 tok/s this runNVIDIA GB10 (DGX Spark) 105,6 tok/sAMD Radeon AI PRO R9700 66,1 tok/sNVIDIA GeForce RTX 5070 Ti 22,5 tok/sAMD Radeon PRO W7900 Dual Slot 19,3 tok/sNVIDIA GeForce RTX 3090 Ti 15,9 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 7,0 tok/sNVIDIA GeForce RTX 5090 4,4 tok/sCPU-only 0,8 tok/s

CPUby processor

★ AMD Ryzen Threadripper PRO 9965WX 24-Cores 551,0 tok/s this runNVIDIA Grace 105,6 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 66,1 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 22,5 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 15,9 tok/sAMD Ryzen 9 9950X 16-Core Processor 7,0 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 4,4 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 0,8 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 551,0 tok/sASUSTeK COMPUTER INC. GX10 105,6 tok/sunbekannt 62,7 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 22,5 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 15,9 tok/sASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 7,0 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 4,4 tok/sDell Inc. PowerEdge R820 0,8 tok/s

ENGby engine

llama.cpp 551,0 tok/svLLM 105,6 tok/sunbekannt 62,7 tok/s

DRVby driver

unbekannt 551,0 tok/sNVIDIA 590.48.01 / CUDA 13.1 105,6 tok/s★ NVIDIA 580.159.04 / CUDA 13.0 62,7 tok/s this runAMD 7.0.0-27-generic 6,5 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (1× concurrent). Methodology →

⚙️ ConfigurationAll metrics and charts below follow these settings – based on a 24-month runtime.Save to URL Reset

⚡ Electricity price EUR/kWh

⚙️ System utilization 100 %

🖥️ Acquisition EUR

🔌 Idle 140 W

⚡ TDP 958 W

☁️ External LLM (API) show

Input €/1M Output €/1M Input per output token

Electricity0.30 EUR/kWh

Avg power (incl. idle)958 W estimated (TDP)GPU 900 + CPU 57 W full load

Avg cost / hourEUR 0.29

Electricity / 1M tokensEUR 1.27

Token / kWh235.74K

Acquisition (system)EUR 42,699 partial priceGPU EUR 39,000 · CPU EUR 3,499 · PSU EUR 200

Electricity (2 years)–

TCO (2 years)EUR 47,732

Output tokens (2 years)3.95B

☁️ External LLM (API) – comparison

External LLM cost (2 years)–

Savings vs. external (2 years)–

All values above and the charts below take the configured system utilization into account: at X% the system generates only X% of the time, the rest it idles (140 W). Cost per hour drops (more idle), cost per token rises.

Cost over 2 years – electricity only

Cost over 2 years – incl. acquisition (TCO)

Speed vs. tokens per euro

Euro per 1M tokens

Comparison vs. API – economics per benchmark

	MiniMax-M2.53x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	MiniMax-M2.53x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	MiniMax-M2.53x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	MiniMax-M2.5NVIDIA GB10 (DGX Spark)
Electricity cost (24 mo.)	–	–	–	–
Acquisition cost	–	–	–	–
Total cost (TCO)	–	–	–	–
Generated tokens (24 mo.)	–	–	–	–
Token price via API	–	–	–	–
Break-even point (days)	–	–	–	–
Result (savings / extra cost)	–	–	–	–

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · this run 63 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 116 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 116 tok/s NVIDIA GB10 (DGX Spark) 32 tok/s

Comparison with up to 3 next-best runs of this model at the same concurrency (at least one on different hardware). Power = GPU TDP + CPU (idle + 15 %) + board (estimated), acquisition = full system (GPU + CPU + board + RAM + PSU), prices = stored market prices.

Contributed by

Mario Alka Administrator

@marioalka

Ich bin Unternehmer, Softwareentwickler und KI-Enthusiast. Seit vielen Jahren entwickle ich Unternehmenssoftware und beschäftige mich inzwischen fast täglich mit lokalen LLMs, KI-Agenten und leistungsfähiger KI-Hardware.

Mit LLM-Benchmark.de möchte ich eine Plattform schaffen, auf der Modelle, GPUs und Agenten objektiv und reproduzierbar miteinander verglichen werden.