# LLM-Benchmark Konfiguration # Modell : Qwen2.5-Coder-32B-Instruct # Engine : llama.cpp # Run-ID : run-20260725-031747-69ecb0 # 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

Qwen2.5-Coder-32B-Instruct 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 1.307,9 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 500,6 tok/sNVIDIA GeForce RTX 3090 Ti 472,9 tok/s★ NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 94,6 tok/s dieser LaufAMD Radeon AI PRO R9700 63,2 tok/sAMD Radeon 8060S Graphics 20,6 tok/s

CPUnach Prozessor

AMD Ryzen 7 5800X3D 8-Core Processor 1.307,9 tok/sAMD Ryzen 9 9950X 16-Core Processor 500,6 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 472,9 tok/s★ AMD Ryzen Threadripper PRO 9965WX 24-Cores 94,6 tok/s dieser LaufAMD Ryzen Threadripper PRO 7955WX 16-Cores 63,2 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 20,6 tok/s

MBnach Mainboard

unbekannt 1.307,9 tok/s

ENGnach Engine

★ llama.cpp 1.307,9 tok/s dieser LaufvLLM 500,6 tok/s

DRVnach Treiber

unbekannt 1.307,9 tok/s

Beigesteuert von

Mario Alka Administrator

@marioalka

Gruender von godcore.de