⚠

Configuration note: Es sind 3 Grafikkarten installiert, aber nur 1 wurde fuer diesen Lauf genutzt (tensor-parallel-size=1). Mit allen 3 GPUs koennte der Durchsatz deutlich hoeher liegen.

Generation790,09tok/s

Prefill13.693,19tok/s

Time to First Token1.141,50ms

Total duration17,71s

Concurrency5parallel

Ranking in the field

75of 997 systems

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

This run is better than 93 % of all comparable systems.

Generation 790,1 tok/s

+192 % vs Ø 270,4

Prefill 13.693,2 tok/s

+146 % vs Ø 5.568,2

Time to First Token 1.142 ms

-88 % vs Ø 9.777

Distribution in the field0 – 1.444 tok/s

Ø 270 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

gpt-oss-20b same modelNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-194447-dc199d

1.443,9 tok/s

gpt-oss-20b same modelNVIDIA 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-20b same modelNVIDIA GeForce RTX 5090 · run-20260723-045447-edeed3

1.295,3 tok/s

gpt-oss-20b same model3× 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-2507NVIDIA 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

gpt-oss-20b this run3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260724-082940-819a98

790,1 tok/s

Hardware

GPU: 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · 96 GB VRAM
CPU: 34x AMD Ryzen Threadripper PRO 9965WX 24-Cores
RAM: 125 GB

Setup

Runtime: vLLM
Quantization: -
Driver: NVIDIA 580.159.04 / CUDA 13.0
Model: gpt-oss-20b

Configuration

benchmark-konfiguration — run-20260724-082940-819a98

# LLM-Benchmark Konfiguration # Modell : gpt-oss-20b # Engine : vLLM # Run-ID : run-20260724-082940-819a98 # GPU : 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition # CPU : 34x AMD Ryzen Threadripper PRO 9965WX 24-Cores # RAM : 125 GB bench@llm-benchmark:~$ /home/godcore/vllm-venv/bin/python3 /home/godcore/vllm-venv/bin/vllm serve openai/gpt-oss-20b \ --served-model-name gpt-oss-20b \ --tensor-parallel-size 1 \ --dtype auto \ --max-model-len 8192 \ --gpu-memory-utilization 0.90 \ --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.	gpt-oss-20b
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.	gpt-oss-20b
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).	1
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'.	0.90

All benchmarks of this model To leaderboard

Model comparison

gpt-oss-20b 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 Workstation Edition 1.443,9 tok/sNVIDIA GeForce RTX 5090 1.386,8 tok/s★ NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.238,3 tok/s this runNVIDIA GeForce RTX 3090 Ti 797,2 tok/sAMD Radeon AI PRO R9700 340,5 tok/sAMD Radeon 8060S Graphics 173,3 tok/sCPU-only 14,5 tok/s

CPUby processor

AMD Ryzen 9 9950X 16-Core Processor 1.443,9 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.386,8 tok/s★ AMD Ryzen Threadripper PRO 9965WX 24-Cores 1.238,3 tok/s this runAMD Ryzen 9 8945HX with Radeon Graphics 797,2 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 340,5 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 173,3 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 14,5 tok/s

MBby mainboard

unbekannt 1.443,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 340,5 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 173,3 tok/sDell Inc. PowerEdge R820 14,5 tok/s

ENGby engine

★ vLLM 1.443,9 tok/s this runllama.cpp 848,3 tok/s

DRVby driver

unbekannt 1.443,9 tok/sNVIDIA 580.159.03 / CUDA 13.0 1.386,8 tok/s★ NVIDIA 580.159.04 / CUDA 13.0 1.238,3 tok/s this runAMD 7.0.0-27-generic 340,5 tok/sROCm 7.2.0 173,3 tok/s

Contributed by

Mario Alka Administrator

@marioalka

Gruender von godcore.de