Beigesteuert vonMario AlkaMiniMax MiniMax-M2.7
Performancebenchmark · gemessen am 23.07.2026 05:33
Benchmark-ID
run-20260723-055735-60de93Timebench 3 - Kombi (Prefill + Generation)MoE230BRuntime: vLLMQuantisierung: AWQ
⚠
Konfigurations-Hinweis: Dieser Lauf nutzte 2 Geräte im verteilten Betrieb (2× NVIDIA GB10 (DGX Spark), Tensor-/Pipeline-Parallel laut vLLM-Konfiguration). Kein Einzelgerät – Leistung & Anschaffung in der Wirtschaftlichkeit werden für alle 2 Geräte berechnet.
ℹ
Zur Einordnung: Diese Plattform nutzt Unified Memory – die "VRAM" ist gemeinsamer System-RAM (APU/Superchip); das Modell teilt sich den Speicher mit dem System.
Generation31,52tok/s
Prefill2.328,05tok/s
Time to First Token991,00ms
Gesamtdauer66,97s
Concurrency1parallel
Einordnung im Feld
28von 33 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel
Dieser Lauf ist besser als 16 % aller vergleichbaren Systeme.
Generation
31,5 tok/s
-43 % vs Ø 55,0
Prefill
2.328,1 tok/s
-16 % vs Ø 2.778,4
Time to First Token
991 ms
-1 % vs Ø 1.002
Verteilung im Feld11 – 101 tok/s
Wie schlägt sich dieser Benchmark mit anderen Modellen?
Qwen3.6-35B-A3BNVIDIA GB10 · run-20260809-110710-d6b1e3
101,2 tok/s
Qwen3.6-35B-A3BNVIDIA GB10 · run-20260809-110710-a1889b
100,6 tok/s
Qwen3.6-35B-A3BNVIDIA GB10 · run-20260809-110710-c441e7
93,0 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA GB10 · run-20260820-205402-6695a4
86,2 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GB10 · run-20260820-194812-0bbbbe
84,2 tok/s
gpt-oss-20bNVIDIA GB10 · run-20260820-194812-a1fa02
82,2 tok/s
Nemotron-Cascade-2-30B-A3BNVIDIA GB10 · run-20260820-124207-595ea8
77,0 tok/s
Nemotron-3-Nano-4BNVIDIA GB10 · run-20260730-084906-365733
76,9 tok/s
Qwen3.6-35B-A3BNVIDIA GB10 · run-20260809-110710-89be7e
74,2 tok/s
Nemotron-3-Nano-4BNVIDIA GB10 · run-20260730-035052-355f35
72,7 tok/s
Qwen3.6-35B-A3BNVIDIA GB10 · run-20260821-071254-0f1b4f
68,4 tok/s
gemma-4-E4B-itNVIDIA GB10 · run-20260730-084905-ef5ef1
63,5 tok/s
Nemotron-Cascade-2-30B-A3BNVIDIA GB10 · run-20260820-124207-7e0db9
62,0 tok/s
gemma-4-E4B-itNVIDIA GB10 · run-20260729-224611-11c64f
60,5 tok/s
MiniMax-M2.7 dieser LaufNVIDIA GB10 · run-20260723-055735-60de93
31,5 tok/s
Wie schlägt sich dieser Benchmark mit anderen GPUs?
Dasselbe Modell auf anderer Hardware · 1× parallel · Generation (tok/s)
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260806-094434-358a5d
112,8 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260806-094434-e88b45
112,6 tok/s
NVIDIA GB10run-20260722-165904-036e47
34,4 tok/s
NVIDIA GB10 dieser Laufrun-20260723-055735-60de93
31,5 tok/s
NVIDIA GB10run-20260726-091400-f470fb
29,4 tok/s
NVIDIA GB10run-20260726-084121-cde663
24,3 tok/s
NVIDIA GB10run-20260726-084121-98ddc2
24,0 tok/s
3× AMD Radeon AI PRO R9700run-20260806-094438-f664b5
9,0 tok/s
3× AMD Radeon AI PRO R9700run-20260806-094438-cfda1f
9,0 tok/s
3× AMD Radeon AI PRO R9700run-20260806-094438-e40031
9,0 tok/s
3× AMD Radeon AI PRO R9700run-20260726-084121-1490ea
7,1 tok/s
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260806-094439-70a150
5,2 tok/s
NVIDIA GeForce RTX 3090 Tirun-20260730-120419-2ad3a7
4,0 tok/s
NVIDIA GeForce RTX 5090run-20260806-094439-50d485
3,3 tok/s
Hardware
GPU: NVIDIA GB10 · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10
Setup
Runtime: vLLM
Quantisierung: AWQ
Treiber: NVIDIA 590.48.01 / CUDA 13.1
Modell: MiniMax-M2.7
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : MiniMax-M2.7
# Engine : vLLM
# Run-ID : run-20260723-055735-60de93
# 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 |
Anzeige
Modell-Vergleich
MiniMax-M2.7 auf verschiedener Hardware
Alle veröffentlichten Performance-Läufe dieses Modells – jede Blase eine Variante: Position = Prefill (X) × Generation (Y), Blasengröße = Anzahl Läufe. Näher oben rechts = schneller. ★ Gold markiert = dieser Benchmark.
GPUnach Grafikkarte
NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 548,6 tok/s★ NVIDIA GB10 (DGX Spark) 174,2 tok/s dieser LaufAMD 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
CPUnach Prozessor
AMD Ryzen Threadripper PRO 9965WX 24-Cores 548,6 tok/s★ NVIDIA Grace 174,2 tok/s dieser LaufAMD 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
MBnach Mainboard
ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 548,6 tok/s★ ASUSTeK COMPUTER INC. GX10 174,2 tok/s dieser LaufASUSTeK 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
DRVnach Treiber
unbekannt 548,6 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 174,2 tok/s dieser LaufAMD 7.0.0-27-generic 3,0 tok/s
💰 Economics
Wirtschaftlichkeit dieses Laufs
Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (1× parallel). Methodik →
🔌
2 Geräte im verteilten Betrieb – die Kalkulation unten (Leistung, Anschaffung, TCO) rechnet mit 2× NVIDIA GB10 (DGX Spark) (erkannt aus Tensor-/Pipeline-Parallel in der vLLM-Konfiguration).
⚙️ KonfigurationAlle Kennzahlen und Diagramme unten folgen diesen Einstellungen – bezogen auf 24 Monate Laufzeit.In URL übernehmenZurücksetzen
⚡ Strompreis
EUR/kWh
⚙️ System-Auslastung
100 %
🖥️ Anschaffung
EUR
🔌 Idle
30 W
⚡ TDP
280 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)280 W geschätzt (TDP)GPU 280 W Volllast
Ø-Kosten / Stunde0,084 EUR
Strom / 1 Mio. Token0,74 EUR
Token / kWh405,26 Tsd.
Anschaffung (System)11.600 EUR TeilpreisGPU 8.000 EUR · RAM 3.360 EUR · Netzteil 240 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)13.072 EUR
Output-Token (2 Jahre)1,99 Mrd.
☁️ Externes LLM (API) – Vergleich
Externe LLM-Kosten (2 Jahre)–
Ersparnis vs. extern (2 Jahre)–
Alle Werte oben und die Diagramme unten berücksichtigen die eingestellte System-Auslastung: bei X % generiert das System nur X % der Zeit, die restliche Zeit läuft es im Idle (30 W). Kosten pro Stunde sinken dadurch (mehr Idle), Kosten je Token steigen.
Kosten über 2 Jahre – nur Strom
Kosten über 2 Jahre – inkl. Anschaffung (TCO)
Geschwindigkeit vs. Token pro Euro
Euro pro 1 Mio. Token
Vergleich zur API – Wirtschaftlichkeit je 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) | |
|---|---|---|---|---|
| Kosten Strom (24 Mon.) | – | – | – | – |
| Kosten Anschaffung | – | – | – | – |
| Kosten Gesamt (TCO) | – | – | – | – |
| Generierte Token (24 Mon.) | – | – | – | – |
| Tokenpreis bei API | – | – | – | – |
| Break-Even-Point (Tage) | – | – | – | – |
| Ergebnis (Ersparnis / Ausgabe) | – | – | – | – |
NVIDIA GB10 (DGX Spark) · dieser Lauf 32 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 113 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 113 tok/sNVIDIA GB10 (DGX Spark) 34 tok/s
Vergleich mit bis zu 3 nächstbesten Läufen dieses Modells bei gleicher Concurrency (mind. einer auf anderer Hardware). Leistung = GPU-TDP + CPU (Idle + 15 %) + Board (geschätzt), Anschaffung = komplettes System (GPU + CPU + Board + RAM + Netzteil), Preise = hinterlegte Marktpreise.
Beigesteuert von
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.