# LLM-Benchmark Konfiguration # Modell : Devstral-Small-2-24B-Instruct-2512 # Engine : llama.cpp # Run-ID : run-20260725-031737-cb8f1e # GPU : 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition # CPU : AMD Ryzen Threadripper PRO 9965WX 24-Cores # RAM : 125 GB bench@llm-benchmark:~$ /home/godcore/llama.cpp/build/bin/llama-server \ -m /home/godcore/.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 \ -ngl 99 \ -sm layer \ --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.	/home/godcore/.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
Split-Mode?Verteilung ueber mehrere GPUs: none (nur eine GPU), layer (Layer aufteilen) oder row (Tensoren zeilenweise).	layer
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

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Devstral-Small-2-24B-Instruct-2512 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 GeForce RTX 5090 924,8 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 725,6 tok/sNVIDIA GeForce RTX 3090 Ti 473,2 tok/s★ NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 95,7 tok/s dieser LaufAMD Radeon 8060S Graphics 88,1 tok/sAMD Radeon AI PRO R9700 29,4 tok/s

CPUnach Prozessor

AMD Ryzen 7 5800X3D 8-Core Processor 924,8 tok/sAMD Ryzen 9 9950X 16-Core Processor 725,6 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 473,2 tok/s★ AMD Ryzen Threadripper PRO 9965WX 24-Cores 95,7 tok/s dieser LaufAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 88,1 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 29,4 tok/s

MBnach Mainboard

unbekannt 924,8 tok/s

ENGnach Engine

★ llama.cpp 924,8 tok/s dieser LaufvLLM 725,6 tok/s

DRVnach Treiber

unbekannt 924,8 tok/s

Beigesteuert von

Mario Alka Administrator

@marioalka

Gruender von godcore.de