Contributed byMario AlkaMistral AIDevstral-Small-2-24B-Instruct-2512
Performance benchmark · measured on 24.07.2026 00:37
Benchmark-ID
run-20260724-004616-a57560Timebench 3 - Kombi (Prefill + Generation)Dense24BRuntime: llama.cppQuantisierung: Q4_K_M
Generation860,24tok/s
Prefill11.717,62tok/s
Time to First Token850,00ms
Total duration5,93s
Concurrency5parallel
Ranking in the field
19of 597 systems
Performance benchmark · Primary metric: Generation-Speed (tok/s)
This run is better than 97 % of all comparable systems.
Generation
860,2 tok/s
+252 % vs Ø 244,1
Prefill
11.717,6 tok/s
+119 % vs Ø 5.353,8
Time to First Token
850 ms
-94 % vs Ø 13.148
Distribution in the field0 – 1.444 tok/s
Wie schlägt sich dieser Benchmark?
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-194447-dc199d
1.443,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004604-1c9023
1.386,8 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260723-045447-edeed3
1.295,3 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004606-ebf474
1.070,6 tok/s
Qwen3-VL-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004607-c49303
1.028,5 tok/s
Ministral-3-14B-Reasoning-2512NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-195749-eebab2
1.015,7 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA GeForce RTX 5090 · run-20260723-045450-366dae
966,2 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004604-860045
961,5 tok/s
Codestral-22B-v0.1NVIDIA GeForce RTX 5090 · run-20260724-004612-002f8b
945,4 tok/s
Devstral-Small-2-24B-Instruct-2512 same modelNVIDIA GeForce RTX 5090 · run-20260724-004615-7fac5f
924,8 tok/s
Qwen3-Omni-30B-A3B-ThinkingNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004611-a583d6
910,7 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GeForce RTX 5090 · run-20260723-045450-e8df4d
909,3 tok/s
Qwen3-30B-A3B-Thinking-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004605-f9a3a1
906,0 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GeForce RTX 3090 Ti · run-20260724-004603-3aec22
901,9 tok/s
Devstral-Small-2-24B-Instruct-2512 this runNVIDIA GeForce RTX 5090 · run-20260724-004616-a57560
860,2 tok/s
Hardware
GPU: NVIDIA GeForce RTX 5090 · 32 GB VRAM
CPU: 16x AMD Ryzen 7 5800X3D 8-Core Processor
RAM: 126 GB
Setup
Runtime: llama.cpp
Quantization: Q4_K_M
Driver: NVIDIA 580.159.03 / CUDA 13.0
Model: Devstral-Small-2-24B-Instruct-2512
Configuration
# LLM-Benchmark Konfiguration
# Modell : Devstral-Small-2-24B-Instruct-2512
# Engine : llama.cpp
# Run-ID : run-20260724-004616-a57560
# GPU : NVIDIA GeForce RTX 5090
# CPU : 16x AMD Ryzen 7 5800X3D 8-Core Processor
# RAM : 126 GB
bench@llm-benchmark:~$ /root/llama.cpp/build/bin/llama-server \
-m /root/.cache/huggingface/hub/models--unsloth--gpt-oss-20b-GGUF/snapshots/d449b42d93e1c2c7bda5312f5c25c8fb91dfa9b4/gpt-oss-20b-Q4_K_M.gguf \
-a gpt-oss-20b \
--host 0.0.0.0 \
--port 8000 \
--gpu-layers 99 \
--flash-attn on \
-c 26624 \
--parallel 12
| 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. | llamacpp |
| Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen. | gpt-oss-20b |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 26624 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | /root/.cache/huggingface/hub/models--unsloth--gpt-oss-20b-GGUF/snapshots/d449b42d93e1c2c7bda5312f5c25c8fb91dfa9b4/gpt-oss-20b-Q4_K_M.gguf |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | gpt-oss-20b |
| GPU-Layer?Anzahl der auf die GPU ausgelagerten Modell-Layer. Hoeher = mehr VRAM und schneller; der Rest laeuft auf der CPU. 999 = alles auf GPU. | 99 |
| Flash Attention?FlashAttention fuer schnellere und speichersparende Attention. Wert on/off/auto je nach Build. | on |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 26624 |
| Parallel?Anzahl paralleler Slots/Sequenzen, die der Server gleichzeitig bedient. Der Kontext wird auf die Slots aufgeteilt. | 12 |
Model comparison
Devstral-Small-2-24B-Instruct-2512 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 GeForce RTX 5090 924,8 tok/s this runNVIDIA RTX PRO 6000 Blackwell Workstation Edition 725,6 tok/sNVIDIA GeForce RTX 3090 Ti 473,2 tok/sAMD Radeon AI PRO R9700 29,4 tok/sAMD Radeon 8060S Graphics 8,9 tok/s
CPUby processor
★ AMD Ryzen 7 5800X3D 8-Core Processor 924,8 tok/s this runAMD Ryzen 9 9950X 16-Core Processor 725,6 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 473,2 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 29,4 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 8,9 tok/s
MBby mainboard
unbekannt 924,8 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 29,4 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 8,9 tok/s
ENGby engine
★ llama.cpp 924,8 tok/s this runvLLM 725,6 tok/s
DRVby driver
★ NVIDIA 580.159.03 / CUDA 13.0 924,8 tok/s this rununbekannt 725,6 tok/sAMD 7.0.0-27-generic 29,4 tok/sROCm 7.2.0 8,9 tok/s
Contributed by
Mario Alka Administrator
@marioalka
Gruender von godcore.de und Betreiber von llm-benchmark.de. Ich teste KI-Sprachmodelle auf echter Hardware, messe Tempo (Token/s) und Aufgaben-Qualitaet und teile die Ergebnisse offen und reproduzierbar.