⚠

Konfigurations-Hinweis: Dieser Lauf nutzte 2 Geräte im verteilten Betrieb (2× NVIDIA DGX SPARK (GB10), Tensor-/Pipeline-Parallel laut vLLM-Konfiguration). Kein Einzelgerät – Leistung & Anschaffung in der Wirtschaftlichkeit werden für alle 2 Geräte berechnet.

ℹ

Zur Einordnung: Diese Plattform nutzt Unified Memory – die "VRAM" ist gemeinsamer System-RAM (APU/Superchip); das Modell teilt sich den Speicher mit dem System.

Generation31,93tok/s

Prefill2.095,94tok/s

Time to First Token1.093,00ms

Gesamtdauer66,33s

Concurrency1parallel

Einordnung im Feld

Diese GPU Alle GPUs

35von 43 Systemen

Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel

Dieser Lauf ist besser als 19 % aller vergleichbaren Systeme.

Generation 31,9 tok/s

-42 % vs Ø 55,2

Prefill 2.095,9 tok/s

-16 % vs Ø 2.507,9

Time to First Token 1.093 ms

-13 % vs Ø 1.261

Verteilung im Feld11 – 101 tok/s

Ø 55 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

Qwen3.6-35B-A3BNVIDIA DGX SPARK (GB10) · run-20260809-110710-d6b1e3

101,2 tok/s

Qwen3.6-35B-A3BNVIDIA DGX SPARK (GB10) · run-20260809-110710-a1889b

100,6 tok/s

Qwen3.6-35B-A3BNVIDIA DGX SPARK (GB10) · run-20260809-110710-c441e7

93,0 tok/s

Qwen3-Coder-30B-A3B-InstructNVIDIA DGX SPARK (GB10) · run-20260820-205402-6695a4

86,2 tok/s

gpt-oss-20bNVIDIA DGX SPARK (GB10) · run-20261024-115637-ef67e1

85,8 tok/s

Qwen3-30B-A3B-Instruct-2507NVIDIA DGX SPARK (GB10) · run-20260820-194812-0bbbbe

84,2 tok/s

gpt-oss-20bNVIDIA DGX SPARK (GB10) · run-20260820-194812-a1fa02

82,2 tok/s

Qwen3-30B-A3B-Thinking-2507NVIDIA DGX SPARK (GB10) · run-20261024-122714-42b505

81,2 tok/s

NVIDIA-Nemotron-3.5-Lightning-30B-A3BNVIDIA DGX SPARK (GB10) · run-20261024-122729-2decc2

81,1 tok/s

Nemotron-Cascade-2-30B-A3BNVIDIA DGX SPARK (GB10) · run-20260820-124207-595ea8

77,0 tok/s

NVIDIA-Nemotron-3-Nano-4BNVIDIA DGX SPARK (GB10) · run-20260730-084906-365733

76,9 tok/s

Qwen3.6-35B-A3BNVIDIA DGX SPARK (GB10) · run-20261024-122724-673835

76,8 tok/s

Qwen3.6-35B-A3BNVIDIA DGX SPARK (GB10) · run-20260809-110710-89be7e

74,2 tok/s

NVIDIA-Nemotron-3-Nano-4BNVIDIA DGX SPARK (GB10) · run-20260730-035052-355f35

72,7 tok/s

minimax-m2.5-awq dieser LaufNVIDIA DGX SPARK (GB10) · run-20260726-084120-94f03f

31,9 tok/s

Wie schlägt sich dieser Benchmark mit anderen GPUs?

Dasselbe Modell auf anderer Hardware · 1× parallel · Generation (tok/s)

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260722-165903-309484

62,7 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260722-165904-a1f0cb

62,7 tok/s

NVIDIA DGX SPARK (GB10) dieser Laufrun-20260726-084120-94f03f

31,9 tok/s

3× AMD Radeon AI PRO R9700run-20260726-084121-e4c5dd

7,0 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165909-cbdb29

6,5 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165910-307e51

6,5 tok/s

Hardware

GPU: NVIDIA DGX SPARK (GB10) · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10

Setup

Runtime: vLLM
Quantisierung: AWQ
Treiber: NVIDIA 590.48.01 / CUDA 13.1
Modell: minimax-m2.5-awq

Konfiguration

benchmark-konfiguration — run-20260726-084120-94f03f

# LLM-Benchmark Konfiguration # Modell : minimax-m2.5-awq # Engine : vLLM # Run-ID : run-20260726-084120-94f03f # GPU : NVIDIA DGX SPARK (GB10) # CPU : NVIDIA Grace # RAM : 120 GB bench@llm-benchmark:~$ bash \ -lc HF_HUB_OFFLINE=1 VLLM_HOST_IP=10.200.0.1 vllm serve cyankiwi/MiniMax-M2.5-AWQ-4bit \ --served-model-name MiniMax-M2.5 \ --host 0.0.0.0 \ --port 8000 \ --tensor-parallel-size 2 \ --distributed-executor-backend ray \ --gpu-memory-utilization 0.85 \ --max-model-len 8192 \ --trust-remote-code \ --enforce-eager '>/tmp/dgx_m25b.log' '2>&1'

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.	MiniMax-M2.5
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	8192
lc	HF_HUB_OFFLINE=1
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	MiniMax-M2.5
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).	2
Executor-Backend?Verfahren fuer Multi-GPU/Multi-Node: mp = Prozesse auf einer Maschine, ray = ueber Ray (auch ueber mehrere Knoten).	ray
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'.	0.85
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	8192
Enforce-Eager?Schaltet die optimierte Graph-Ausfuehrung (CUDA-/HIP-Graphs) AB und rechnet Schritt fuer Schritt. Startet schneller und spart etwas VRAM, ist im laufenden Betrieb aber meist langsamer als mit Graphs.	>/tmp/dgx_m25b.log

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

minimax-m2.5-awq 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 DGX SPARK (GB10) 105,6 tok/s dieser LaufAMD Radeon AI PRO R9700 66,1 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 62,7 tok/s

CPUnach Prozessor

★ NVIDIA Grace 105,6 tok/s dieser LaufAMD Ryzen Threadripper PRO 7955WX 16-Cores 66,1 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 62,7 tok/s

MBnach Mainboard

★ ASUSTeK COMPUTER INC. GX10 105,6 tok/s dieser LaufASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 66,1 tok/sunbekannt 62,7 tok/s

ENGnach Engine

★ vLLM 105,6 tok/s dieser Laufllama.cpp 66,1 tok/sunbekannt 62,7 tok/s

DRVnach Treiber

★ NVIDIA 590.48.01 / CUDA 13.1 105,6 tok/s dieser Laufunbekannt 66,1 tok/sNVIDIA 580.159.04 / CUDA 13.0 62,7 tok/sAMD 7.0.0-27-generic 6,5 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (1× parallel). Methodik →

🔌

2 Geräte im verteilten Betrieb – die Kalkulation unten (Leistung, Anschaffung, TCO) rechnet mit 2× NVIDIA DGX SPARK (GB10) (erkannt aus Tensor-/Pipeline-Parallel in der vLLM-Konfiguration).

⚙️ KonfigurationAlle Kennzahlen und Diagramme unten folgen diesen Einstellungen – bezogen auf 24 Monate Laufzeit.In URL übernehmen Zurücksetzen

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 30 W

⚡ TDP 280 W

☁️ Externes LLM (API) anzeigen

Input €/1M Output €/1M Input je Output-Token

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)280 W geschätzt (TDP)GPU 280 W Volllast

Ø-Kosten / Stunde0,084 EUR

Strom / 1 Mio. Token0,73 EUR

Token / kWh410,53 Tsd.

Anschaffung (System)11.600 EUR TeilpreisGPU 8.000 EUR · RAM 3.360 EUR · Netzteil 240 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)13.072 EUR

Output-Token (2 Jahre)2,01 Mrd.

☁️ Externes LLM (API) – Vergleich

Externe LLM-Kosten (2 Jahre)–

Ersparnis vs. extern (2 Jahre)–

Alle Werte oben und die Diagramme unten berücksichtigen die eingestellte System-Auslastung: bei X % generiert das System nur X % der Zeit, die restliche Zeit läuft es im Idle (30 W). Kosten pro Stunde sinken dadurch (mehr Idle), Kosten je Token steigen.

Kosten über 2 Jahre – nur Strom

Kosten über 2 Jahre – inkl. Anschaffung (TCO)

Geschwindigkeit vs. Token pro Euro

Euro pro 1 Mio. Token

Vergleich zur API – Wirtschaftlichkeit je Benchmark

	minimax-m2.5-awqNVIDIA DGX SPARK (GB10)	minimax-m2.5-awq3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	minimax-m2.5-awq3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	minimax-m2.5-awqAMD Radeon AI PRO R9700
Kosten Strom (24 Mon.)	–	–	–	–
Kosten Anschaffung	–	–	–	–
Kosten Gesamt (TCO)	–	–	–	–
Generierte Token (24 Mon.)	–	–	–	–
Tokenpreis bei API	–	–	–	–
Break-Even-Point (Tage)	–	–	–	–
Ergebnis (Ersparnis / Ausgabe)	–	–	–	–

NVIDIA DGX SPARK (GB10) · dieser Lauf 32 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 63 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 63 tok/s AMD Radeon AI PRO R9700 7 tok/s

Vergleich mit bis zu 3 nächstbesten Läufen dieses Modells bei gleicher Concurrency (mind. einer auf anderer Hardware). Leistung = GPU-TDP + CPU (Idle + 15 %) + Board (geschätzt), Anschaffung = komplettes System (GPU + CPU + Board + RAM + Netzteil), Preise = hinterlegte Marktpreise.

Beigesteuert von

Mario Alka Administrator

@marioalka

Ich bin Unternehmer, Softwareentwickler und KI-Enthusiast. Seit vielen Jahren entwickle ich Unternehmenssoftware und beschäftige mich inzwischen fast täglich mit lokalen LLMs, KI-Agenten und leistungsfähiger KI-Hardware.

Mit LLM-Benchmark.de möchte ich eine Plattform schaffen, auf der Modelle, GPUs und Agenten objektiv und reproduzierbar miteinander verglichen werden.