Contributed byMario AlkaMistral AIDevstral-Small-2507
Performance benchmark · measured on 24.07.2026 01:03
Benchmark-ID
run-20260724-082938-12f4b3Timebench 3 - Kombi (Prefill + Generation)Dense24BRuntime: llama.cppQuantisierung: Q4_K_M
Generation523,30tok/s
Prefill12.413,67tok/s
Time to First Token839,50ms
Total duration8,64s
Concurrency5parallel
Ranking in the field
159of 997 systems
Performance benchmark · Primary metric: Generation-Speed (tok/s)
This run is better than 84 % of all comparable systems.
Generation
523,3 tok/s
+94 % vs Ø 270,4
Prefill
12.413,7 tok/s
+123 % vs Ø 5.568,2
Time to First Token
840 ms
-91 % vs Ø 9.777
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
Qwen2.5-Coder-32B-InstructNVIDIA GeForce RTX 5090 · run-20260724-082948-5b32df
1.307,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260723-045447-edeed3
1.295,3 tok/s
gpt-oss-20b3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260724-082940-10761f
1.238,3 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004606-ebf474
1.070,6 tok/s
Qwen3.5-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-082959-cd1403
1.028,6 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
GLM-4.5-AirNVIDIA GeForce RTX 5090 · run-20260724-082959-2ea391
976,7 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
Devstral-Small-2507 same modelNVIDIA GeForce RTX 5090 · run-20260724-082938-ad06f1
958,9 tok/s
Qwen3.6-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-083000-8690d7
952,8 tok/s
Devstral-Small-2507 this runNVIDIA GeForce RTX 5090 · run-20260724-082938-12f4b3
523,3 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-2507
Configuration
# LLM-Benchmark Konfiguration
# Modell : Devstral-Small-2507
# Engine : llama.cpp
# Run-ID : run-20260724-082938-12f4b3
# 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-2507 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 958,9 tok/s this runNVIDIA GeForce RTX 3090 Ti 471,8 tok/sAMD Radeon 8060S Graphics 89,6 tok/sAMD Radeon AI PRO R9700 33,9 tok/s
CPUby processor
★ AMD Ryzen 7 5800X3D 8-Core Processor 958,9 tok/s this runAMD Ryzen 9 8945HX with Radeon Graphics 471,8 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 89,6 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 33,9 tok/s
MBby mainboard
unbekannt 958,9 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 89,6 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 33,9 tok/s
ENGby engine
★ llama.cpp 958,9 tok/s this run
DRVby driver
★ NVIDIA 580.159.03 / CUDA 13.0 958,9 tok/s this rununbekannt 471,8 tok/sROCm 7.2.0 89,6 tok/sAMD 7.0.0-27-generic 33,9 tok/s