ℹ

Public note: vLLM . 1 GPU . 4-Bit (OPEA/Mistral-Small-3.1-24B-Instruct-2503-int4-AutoRound-awq-sym)

⚠

Configuration note: Es sind 3 Grafikkarten installiert, aber nur 1 wurde fuer diesen Lauf genutzt (tensor-parallel-size=1). Mit allen 3 GPUs koennte der Durchsatz deutlich hoeher liegen.

Generation6,98tok/s

Prefill4.075,93tok/s

Time to First Token559,00ms

Total duration366,02s

Concurrency1parallel

Ranking in the field

This GPU All GPUs

1550of 1808 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 1× concurrent

This run is better than 14 % of all comparable systems.

Generation 7,0 tok/s

-91 % vs Ø 77,1

Prefill 4.075,9 tok/s

+44 % vs Ø 2.836,4

Time to First Token 559 ms

-98 % vs Ø 25.162

Distribution in the field0 – 405 tok/s

Ø 77 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004608-16af9b

404,6 tok/s

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-9f766a

395,2 tok/s

Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-d456e7

393,5 tok/s

Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-bffb11

393,5 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004607-29bd16

388,9 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-1c779f

388,2 tok/s

gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-6ea089

378,6 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-e8b129

377,6 tok/s

Nemotron-3-Nano-4B3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-ac388e

362,3 tok/s

Nemotron-3-Nano-4B3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-5e5085

361,4 tok/s

Nemotron-3-Nano-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105335-653788

359,4 tok/s

Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA GeForce RTX 5090 · run-20260729-105334-2c4905

359,3 tok/s

Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105334-44d1e7

359,0 tok/s

Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260729-032119-4852bf

357,1 tok/s

Mistral-Small-3.1-24B-Instruct-2503 this run3× 3x AMD Radeon AI PRO R9700 · run-20260722-165910-db1df9

7,0 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 1× concurrent · Generation (tok/s)

AMD Radeon PRO W7900 Dual Slotrun-20260818-003841-e4b3b8

49,1 tok/s

AMD Radeon RX 7900 XTXrun-20260922-123036-d323a5

46,7 tok/s

2× AMD Radeon RX 7900 XTXrun-20261009-081229-2c3d29

45,8 tok/s

2× NVIDIA RTX A6000run-20260830-011927-6159d8

44,4 tok/s

2× NVIDIA RTX A6000run-20260827-185904-407b57

44,4 tok/s

2× AMD Radeon PRO W7900 Dual Slotrun-20260818-115056-d40760

39,0 tok/s

NVIDIA RTX A6000run-20260826-065247-76b2d6

38,4 tok/s

AMD Radeon AI PRO R9700run-20260922-063731-a56df0

33,5 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165909-428031

33,1 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165907-01396d

33,1 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165906-4b8178

33,0 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165905-e839b4

33,0 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165909-c33041

31,3 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165907-63e728

31,3 tok/s

Hardware

GPU: 3x AMD Radeon AI PRO R9700 · 32 GB VRAM
CPU: AMD Ryzen Threadripper PRO 7955WX 16-Cores
RAM: 184 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE

Setup

Runtime: vLLM
Quantization: AWQ
Model: Mistral-Small-3.1-24B-Instruct-2503

Configuration

benchmark-konfiguration — run-20260722-165910-db1df9

# LLM-Benchmark Konfiguration # Modell : Mistral-Small-3.1-24B-Instruct-2503 # Engine : vLLM # Run-ID : run-20260722-165910-db1df9 # GPU : 3x AMD Radeon AI PRO R9700 # CPU : AMD Ryzen Threadripper PRO 7955WX 16-Cores # RAM : 184 GB bench@llm-benchmark:~$ /opt/python/bin/python /opt/python/bin/vllm serve OPEA/Mistral-Small-3.1-24B-Instruct-2503-int4-AutoRound-awq-sym \ --served-model-name Mistral-Small-3.1-24B-Instruct-2503 \ --tensor-parallel-size 1 \ --dtype auto \ --max-model-len 8192 \ --gpu-memory-utilization 0.90 \ --trust-remote-code \ --host 0.0.0.0 \ --port 8000

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.	Mistral-Small-3.1-24B-Instruct-2503
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	8192
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	Mistral-Small-3.1-24B-Instruct-2503
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
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.	auto
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	8192
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
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

All benchmarks of this model To leaderboard

Model comparison

Mistral-Small-3.1-24B-Instruct-2503 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 A6000 214,9 tok/sAMD Radeon RX 7900 XTX 170,1 tok/sAMD Radeon PRO W7900 Dual Slot 150,4 tok/sAMD Radeon PRO W7800 48GB 141,9 tok/s★ AMD Radeon AI PRO R9700 133,1 tok/s this runNVIDIA RTX PRO 6000 Blackwell Workstation Edition 88,3 tok/sAMD Radeon 8060S Graphics 31,3 tok/sNVIDIA Tesla P100 PCIe 16GB 23,8 tok/s

CPUby processor

★ AMD Ryzen Threadripper PRO 7955WX 16-Cores 214,9 tok/s this runIntel(R) Xeon(R) CPU E5-4657L v2 @ 2.40GHz 170,1 tok/sAMD Ryzen Threadripper PRO 3955WX 16-Cores 151,5 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 150,4 tok/sAMD Ryzen 3 3100 4-Core Processor 133,1 tok/sAMD Ryzen 9 9950X 16-Core Processor 88,3 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 31,3 tok/sAMD Ryzen 9 7945HX with Radeon Graphics 23,8 tok/s

MBby mainboard

★ ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 214,9 tok/s this runDell Inc. PowerEdge R820 170,1 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 151,5 tok/sASUSTeK COMPUTER INC. ROG STRIX X570-F GAMING 133,1 tok/sASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 88,3 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 31,3 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd F1FXM (DeskMini Series) 23,8 tok/s

ENGby engine

llama.cpp 214,9 tok/s★ vLLM 99,3 tok/s this rununbekannt 33,1 tok/s

DRVby driver

unbekannt 214,9 tok/sAMD 7.0.0-27-generic 33,1 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 85 W

⚡ TDP 371 W

☁️ External LLM (API) show

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

Electricity0.30 EUR/kWh

Avg power (incl. idle)371 W estimated (TDP)GPU 300 + CPU 46 + Board 25 W full load

Avg cost / hourEUR 0.11

Electricity / 1M tokensEUR 4.43

Token / kWh67.73K

Acquisition (system)EUR 6,824 full priceGPU EUR 1,400 · CPU EUR 1,399 · Board EUR 1,299 · RAM EUR 2,576 · PSU EUR 150

Electricity (2 years)–

TCO (2 years)EUR 8,774

Output tokens (2 years)440.24M

☁️ 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 (85 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

	Mistral-Small-3.1-24B-Instruct-2503AMD Radeon AI PRO R9700	Mistral-Small-3.1-24B-Instruct-2503AMD Radeon PRO W7900 Dual Slot	Mistral-Small-3.1-24B-Instruct-2503AMD Radeon RX 7900 XTX	Mistral-Small-3.1-24B-Instruct-25032x AMD Radeon RX 7900 XTX
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)	–	–	–	–

AMD Radeon AI PRO R9700 · this run 7 tok/s AMD Radeon PRO W7900 Dual Slot 49 tok/s AMD Radeon RX 7900 XTX 47 tok/s 2× AMD Radeon RX 7900 XTX 46 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.