Created bymario-alka.dePowered bygodcore.denoob2claw.detricoma.de
Beta
Z.ai (Zhipu)

GLM-4.5-Air

Performancebenchmark · gemessen am 23.07.2026 13:46

Benchmark-IDrun-20260723-142100-c471d1
Timebench 3 - Kombi (Prefill + Generation)MoE106BRuntime: vLLMQuantisierung: AWQ
ℹ
Zur Einordnung: Teile des Modells wurden per --cpu-offload-gb=40 GB in den System-RAM ausgelagert – RAM wird als erweiterter VRAM genutzt, was den Durchsatz senken kann.
Generation6,20tok/s
Prefill382,08tok/s
Time to First Token35.624,50ms
Gesamtdauer600,00s
Concurrency5parallel
Einordnung im Feld
269von 305 Systemen

Performancebenchmark · Leitmetrik: Generation-Speed (tok/s)

Dieser Lauf ist besser als 12 % aller vergleichbaren Systeme.
Generation 6,2 tok/s
-93 % vs Ø 87,0
Prefill 382,1 tok/s
-88 % vs Ø 3.212,9
Time to First Token 35.625 ms
+61 % vs Ø 22.143
Verteilung im Feld0 – 1.295 tok/s
Ø 87 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

Hardware

GPU: NVIDIA GeForce RTX 5090 · 32 GB VRAM
CPU: 16x AMD Ryzen 7 5800X3D 8-Core Processor
RAM: 126 GB

Setup

Runtime: vLLM
Quantisierung: AWQ
Treiber: NVIDIA 580.159.03 / CUDA 13.0
Modell: GLM-4.5-Air

Konfiguration

benchmark-konfiguration — run-20260723-142100-c471d1
# LLM-Benchmark Konfiguration # Modell : GLM-4.5-Air # Engine : vLLM # Run-ID : run-20260723-142100-c471d1 # GPU : NVIDIA GeForce RTX 5090 # CPU : 16x AMD Ryzen 7 5800X3D 8-Core Processor # RAM : 126 GB bench@llm-benchmark:~$ /opt/gcs_venv/bin/python3 /opt/gcs_venv/bin/vllm serve cyankiwi/GLM-4.5-Air-AWQ-4bit \ --served-model-name GLM-4.5-Air \ --dtype auto \ --max-model-len 8192 \ --gpu-memory-utilization 0.92 \ --cpu-offload-gb 40 \ --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.GLM-4.5-Air
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.GLM-4.5-Air
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'.0.92
cpu-offload-gb?Menge an Modellgewichten in GiB, die in den CPU-RAM ausgelagert wird. Ermoeglicht groessere Modelle als der GPU-Speicher fasst, kostet aber Geschwindigkeit.40
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

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

GLM-4.5-Air auf verschiedener Hardware

Alle veroeffentlichten 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

13510167,433,70,001.1252.2493.374Prefill (tok/s)Generation (tok/s)AMD Radeon AI PRO R9700 - 104,1 tok/s Generation, 2.723 tok/s Prefill, TTFT 4.241 ms (4 Laufe)AMD Radeon AI PRO R97...CPU-only - 2,1 tok/s Generation, 18 tok/s Prefill, TTFT 117.963 ms (1 Lauf)CPU-onlyNVIDIA GeForce RTX 5090 - 6,2 tok/s Generation, 282 tok/s Prefill, TTFT 23.682 ms (2 Laufe) | DIESER LAUF★ NVIDIA GeForce RTX 50...
AMD Radeon AI PRO R9700 104,1 tok/s★ NVIDIA GeForce RTX 5090 6,2 tok/s dieser LaufCPU-only 2,1 tok/s

CPUnach Prozessor

13510167,433,70,001.1252.2493.374Prefill (tok/s)Generation (tok/s)AMD Ryzen Threadripper PRO 7955WX 16-Cores - 104,1 tok/s Generation, 2.723 tok/s Prefill, TTFT 4.241 ms (4 Laufe)AMD Ryzen Threadrippe...Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz - 2,1 tok/s Generation, 18 tok/s Prefill, TTFT 117.963 ms (1 Lauf)Intel(R) Xeon(R) CPU ...AMD Ryzen 7 5800X3D 8-Core Processor - 6,2 tok/s Generation, 282 tok/s Prefill, TTFT 23.682 ms (2 Laufe) | DIESER LAUF★ AMD Ryzen 7 5800X3D 8...
AMD Ryzen Threadripper PRO 7955WX 16-Cores 104,1 tok/s★ AMD Ryzen 7 5800X3D 8-Core Processor 6,2 tok/s dieser LaufIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 2,1 tok/s

MBnach Mainboard

13510167,433,70,001.1252.2493.374Prefill (tok/s)Generation (tok/s)ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE - 104,1 tok/s Generation, 2.723 tok/s Prefill, TTFT 4.241 ms (4 Laufe)ASUSTeK COMPUTER INC....unbekannt - 6,2 tok/s Generation, 282 tok/s Prefill, TTFT 23.682 ms (2 Laufe)unbekanntDell Inc. PowerEdge R820 - 2,1 tok/s Generation, 18 tok/s Prefill, TTFT 117.963 ms (1 Lauf)Dell Inc. PowerEdge R...
ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 104,1 tok/sunbekannt 6,2 tok/sDell Inc. PowerEdge R820 2,1 tok/s

ENGnach Engine

13310066,733,40,09651.3971.8282.259Prefill (tok/s)Generation (tok/s)llama.cpp - 104,1 tok/s Generation, 1.225 tok/s Prefill, TTFT 43.205 ms (3 Laufe)llama.cppunbekannt - 82,5 tok/s Generation, 2.000 tok/s Prefill, TTFT 4.908 ms (1 Lauf)unbekanntvLLM - 9,1 tok/s Generation, 1.934 tok/s Prefill, TTFT 15.924 ms (3 Laufe) | DIESER LAUF★ vLLM
llama.cpp 104,1 tok/sunbekannt 82,5 tok/s★ vLLM 9,1 tok/s dieser Lauf

DRVnach Treiber

13510167,433,70,001.1252.2493.374Prefill (tok/s)Generation (tok/s)AMD 7.0.0-27-generic - 104,1 tok/s Generation, 2.723 tok/s Prefill, TTFT 4.241 ms (4 Laufe)AMD 7.0.0-27-genericunbekannt - 2,1 tok/s Generation, 18 tok/s Prefill, TTFT 117.963 ms (1 Lauf)unbekanntNVIDIA 580.159.03 / CUDA 13.0 - 6,2 tok/s Generation, 282 tok/s Prefill, TTFT 23.682 ms (2 Laufe) | DIESER LAUF★ NVIDIA 580.159.03 / C...
AMD 7.0.0-27-generic 104,1 tok/s★ NVIDIA 580.159.03 / CUDA 13.0 6,2 tok/s dieser Laufunbekannt 2,1 tok/s