⚠

Configuration note: This run used 2 devices in distributed inference (2× NVIDIA GB10 (DGX Spark), tensor/pipeline parallel via the vLLM config). Not a single machine – power & acquisition in the economics section are calculated for all 2 devices.

ℹ

For context: Diese Plattform nutzt Unified Memory – die "VRAM" ist gemeinsamer System-RAM (APU/Superchip); das Modell teilt sich den Speicher mit dem System.

Generation174,20tok/s

Prefill5.042,17tok/s

Time to First Token47.619,50ms

Total duration453,03s

Concurrency10parallel

Ranking in the field

This GPU All GPUs

13of 24 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 10× concurrent

This run is better than 48 % of all comparable systems.

Generation 174,2 tok/s

-35 % vs Ø 269,0

Prefill 5.042,2 tok/s

+12 % vs Ø 4.519,5

Time to First Token 47.620 ms

+124 % vs Ø 21.234

Distribution in the field64 – 903 tok/s

Ø 269 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gemma-4-E2B-itNVIDIA GB10 · run-20260729-224611-cc3776

903,3 tok/s

gemma-4-E2B-itNVIDIA GB10 · run-20260729-224610-32ded2

860,9 tok/s

gemma-4-E4B-itNVIDIA GB10 · run-20260730-084906-3e426d

488,2 tok/s

gemma-4-E4B-itNVIDIA GB10 · run-20260729-224611-9fe5af

484,8 tok/s

gemma-4-E4B-itNVIDIA GB10 · run-20260729-224611-0a62d6

455,1 tok/s

Nemotron-3-Nano-4BNVIDIA GB10 · run-20260730-084906-84663c

367,8 tok/s

Nemotron-3-Nano-4BNVIDIA GB10 · run-20260730-035052-93e207

354,3 tok/s

Ling-3.0-flashNVIDIA GB10 · run-20260820-173706-52a2df

253,7 tok/s

Ling-3.0-flashNVIDIA GB10 · run-20260820-131510-16a6a0

250,7 tok/s

Ling-3.0-flashNVIDIA GB10 · run-20260820-131510-6c0f64

247,8 tok/s

gpt-oss-20bNVIDIA GB10 · run-20260820-194812-1bb2eb

202,1 tok/s

Qwen3-Coder-30B-A3B-InstructNVIDIA GB10 · run-20260820-205402-b9c794

182,9 tok/s

MiniMax-M2.7 this runNVIDIA GB10 · run-20260723-055735-2facb9

174,2 tok/s

Qwen3-30B-A3B-Instruct-2507NVIDIA GB10 · run-20260820-194812-a67646

169,9 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 10× concurrent · Generation (tok/s)

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260806-094434-2415bb

548,6 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260806-094434-d8acad

530,5 tok/s

NVIDIA GB10 this runrun-20260723-055735-2facb9

174,2 tok/s

NVIDIA GB10run-20260726-084121-190675

103,3 tok/s

NVIDIA GB10run-20260726-084121-fa4885

66,8 tok/s

NVIDIA GB10run-20260726-084121-fd5e41

64,5 tok/s

3× AMD Radeon AI PRO R9700run-20260806-094438-8df851

8,6 tok/s

3× AMD Radeon AI PRO R9700run-20260806-094438-e4945a

8,4 tok/s

3× AMD Radeon AI PRO R9700run-20260806-094438-894b8a

7,3 tok/s

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260806-094440-ee9cb5

7,0 tok/s

NVIDIA GeForce RTX 5090run-20260806-094439-9cf3ff

6,0 tok/s

NVIDIA GeForce RTX 5090run-20260806-094436-ed2d24

4,8 tok/s

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260806-094435-ba7738

4,8 tok/s

3× AMD Radeon AI PRO R9700run-20260726-084121-458671

4,6 tok/s

Hardware

GPU: NVIDIA GB10 · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10

Setup

Runtime: vLLM
Quantization: AWQ
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: MiniMax-M2.7

Configuration

benchmark-konfiguration — run-20260723-055735-2facb9

# LLM-Benchmark Konfiguration # Modell : MiniMax-M2.7 # Engine : vLLM # Run-ID : run-20260723-055735-2facb9 # GPU : NVIDIA GB10 # CPU : NVIDIA Grace # RAM : 120 GB bench@llm-benchmark:~$ /usr/bin/python /usr/local/bin/vllm serve cyankiwi/MiniMax-M2.7-AWQ-4bit \ --host 0.0.0.0 \ --port 8000 \ --tensor-parallel-size 2 \ --distributed-executor-backend ray \ --gpu-memory-utilization 0.8 \ --max-model-len 196608 \ --max-num-seqs 4 \ --load-format fastsafetensors \ --tool-call-parser minimax_m2 \ --reasoning-parser minimax_m2 \ --enable-auto-tool-choice \ --kv-cache-dtype fp8_e4m3 \ --enable-prefix-caching \ --trust-remote-code \ --enforce-eager \ --served-model-name cyankiwi/MiniMax-M2.7-AWQ-4bit

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.	cyankiwi/MiniMax-M2.7-AWQ-4bit
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	196608
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).	2
Executor-Backend?Verfahren fuer Multi-GPU/Multi-Node: mp = Prozesse auf einer Maschine, ray = ueber Ray (auch ueber mehrere Knoten).	ray
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'.	0.8
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	196608
Max-Sequenzen?Maximale Anzahl gleichzeitig bearbeiteter Anfragen (Batch-Groesse). Hoeher = mehr Durchsatz, braucht aber mehr KV-Cache-Speicher.	4
Load-Format?Format, aus dem die Gewichte geladen werden (auto, safetensors, pt ...). 'auto' erkennt es selbst.	fastsafetensors
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
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
KV-Cache-Dtype?Datentyp des KV-Cache (auto, fp8). fp8 halbiert etwa den Cache-Speicher -> mehr und laengere parallele Anfragen bei minimalem Qualitaetsverlust.	fp8_e4m3
Prefix-Caching?Speichert bereits berechnete Prompt-Anfaenge und verwendet sie wieder. Beschleunigt Anfragen mit gemeinsamem Praefix (z.B. gleicher System-Prompt) deutlich.	aktiv
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
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	cyankiwi/MiniMax-M2.7-AWQ-4bit

All benchmarks of this model To leaderboard

Model comparison

MiniMax-M2.7 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 548,6 tok/s★ NVIDIA GB10 (DGX Spark) 174,2 tok/s this runAMD Radeon AI PRO R9700 14,5 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 7,0 tok/sNVIDIA GeForce RTX 5090 6,0 tok/sNVIDIA GeForce RTX 3090 Ti 4,0 tok/sNVIDIA GeForce RTX 2060 2,6 tok/s

CPUby processor

AMD Ryzen Threadripper PRO 9965WX 24-Cores 548,6 tok/s★ NVIDIA Grace 174,2 tok/s this runAMD Ryzen Threadripper PRO 7955WX 16-Cores 14,5 tok/sAMD Ryzen 9 9950X 16-Core Processor 7,0 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 6,0 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 4,0 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 2,6 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 548,6 tok/s★ ASUSTeK COMPUTER INC. GX10 174,2 tok/s this runASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 7,0 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 6,0 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 4,0 tok/sDell Inc. PowerEdge R820 2,6 tok/s

ENGby engine

llama.cpp 548,6 tok/s★ vLLM 174,2 tok/s this rununbekannt 3,0 tok/s

DRVby driver

unbekannt 548,6 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 174,2 tok/s this runAMD 7.0.0-27-generic 3,0 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (10× concurrent). Methodology →

🔌

2 devices in distributed operation – the calculation below (power, acquisition, TCO) uses 2× NVIDIA GB10 (DGX Spark) (detected from tensor/pipeline parallel in the vLLM configuration).

⚙️ 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 30 W

⚡ TDP 280 W

☁️ External LLM (API) show

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

Electricity0.30 EUR/kWh

Avg power (incl. idle)280 W estimated (TDP)GPU 280 W full load

Avg cost / hourEUR 0.084

Electricity / 1M tokensEUR 0.13

Token / kWh2.24M

Acquisition (system)EUR 11,600 partial priceGPU EUR 8,000 · RAM EUR 3,360 · PSU EUR 240

Electricity (2 years)–

TCO (2 years)EUR 13,072

Output tokens (2 years)10.99B

☁️ 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 (30 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-M2.7NVIDIA GB10 (DGX Spark)	MiniMax-M2.73x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	MiniMax-M2.73x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	MiniMax-M2.7NVIDIA 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)	–	–	–	–

NVIDIA GB10 (DGX Spark) · this run 174 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 549 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 531 tok/s NVIDIA GB10 (DGX Spark) 103 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.