⚠

Configuration note: This run used 2 devices in distributed inference (2× NVIDIA GB10 (DGX Spark), tensor/pipeline parallel via the vLLM config). Not a single machine – power & acquisition in the economics section are calculated for all 2 devices.

ℹ

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

Generation73,44tok/s

Prefill5.549,58tok/s

Time to First Token2.628,00ms

Total duration146,57s

Concurrency5parallel

Ranking in the field

This GPU All GPUs

20of 24 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 5× concurrent

This run is better than 17 % of all comparable systems.

Generation 73,4 tok/s

-54 % vs Ø 161,0

Prefill 5.549,6 tok/s

+48 % vs Ø 3.740,3

Time to First Token 2.628 ms

-64 % vs Ø 7.308

Distribution in the field47 – 479 tok/s

Ø 161 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gemma-4-E2B-itNVIDIA GB10 · run-20260729-224610-d54f79

478,6 tok/s

gemma-4-E2B-itNVIDIA GB10 · run-20260729-224611-fd132d

461,5 tok/s

gemma-4-E4B-itNVIDIA GB10 · run-20260730-084906-8d769a

251,4 tok/s

gemma-4-E4B-itNVIDIA GB10 · run-20260729-224611-1ec61a

246,7 tok/s

gemma-4-E4B-itNVIDIA GB10 · run-20260729-224611-f3c242

245,6 tok/s

Nemotron-3-Nano-4BNVIDIA GB10 · run-20260730-084906-ebceff

210,3 tok/s

Nemotron-3-Nano-4BNVIDIA GB10 · run-20260730-035052-ee4096

202,3 tok/s

gpt-oss-20bNVIDIA GB10 · run-20260820-194812-6a1027

148,9 tok/s

Qwen3-Coder-30B-A3B-InstructNVIDIA GB10 · run-20260820-205402-be8321

146,9 tok/s

Ling-3.0-flashNVIDIA GB10 · run-20260820-173706-3b8d9a

142,8 tok/s

Ling-3.0-flashNVIDIA GB10 · run-20260820-131510-106a01

140,4 tok/s

Ling-3.0-flashNVIDIA GB10 · run-20260820-131510-86a354

139,8 tok/s

Qwen3-30B-A3B-Instruct-2507NVIDIA GB10 · run-20260820-194812-15ddb0

139,2 tok/s

Qwen3.6-35B-A3BNVIDIA GB10 · run-20260821-071254-de61c3

135,6 tok/s

MiniMax-M2.5 this runNVIDIA GB10 · run-20260726-084121-f1f339

73,4 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 5× concurrent · Generation (tok/s)

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260728-164528-587188

316,9 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032130-ae100e

315,2 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032127-31e6f7

315,0 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260728-164528-0af3f9

313,1 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032129-f8f834

312,8 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032127-c585fb

310,9 tok/s

NVIDIA GB10run-20260726-091400-7d7441

77,7 tok/s

NVIDIA GB10 this runrun-20260726-084121-f1f339

73,4 tok/s

4× AMD Radeon AI PRO R9700run-20260810-033720-3b8e41

56,1 tok/s

NVIDIA GeForce RTX 5070 Tirun-20260728-164528-ab238d

22,5 tok/s

NVIDIA GeForce RTX 5070 Tirun-20260728-164527-ad6faf

21,9 tok/s

3× AMD Radeon AI PRO R9700run-20260806-094437-c0a675

21,2 tok/s

AMD Radeon PRO W7900 Dual Slotrun-20260817-230037-7127ca

19,3 tok/s

3× AMD Radeon AI PRO R9700run-20260806-094437-ba596e

19,1 tok/s

Hardware

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

Setup

Runtime: vLLM
Quantization: AWQ
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: MiniMax-M2.5

Configuration

benchmark-konfiguration — run-20260726-084121-f1f339

# LLM-Benchmark Konfiguration # Modell : MiniMax-M2.5 # Engine : vLLM # Run-ID : run-20260726-084121-f1f339 # GPU : NVIDIA 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

All benchmarks of this model To leaderboard

Model comparison

MiniMax-M2.5 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 Max-Q Workstation Edition 551,0 tok/s★ NVIDIA GB10 (DGX Spark) 105,6 tok/s this runAMD Radeon AI PRO R9700 66,1 tok/sNVIDIA GeForce RTX 5070 Ti 22,5 tok/sAMD Radeon PRO W7900 Dual Slot 19,3 tok/sNVIDIA GeForce RTX 3090 Ti 15,9 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 7,0 tok/sNVIDIA GeForce RTX 5090 4,4 tok/sNVIDIA GeForce RTX 2060 0,8 tok/s

CPUby processor

AMD Ryzen Threadripper PRO 9965WX 24-Cores 551,0 tok/s★ NVIDIA Grace 105,6 tok/s this runAMD Ryzen Threadripper PRO 7955WX 16-Cores 66,1 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 22,5 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 15,9 tok/sAMD Ryzen 9 9950X 16-Core Processor 7,0 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 4,4 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 0,8 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 551,0 tok/s★ ASUSTeK COMPUTER INC. GX10 105,6 tok/s this rununbekannt 62,7 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 22,5 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 15,9 tok/sASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 7,0 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 4,4 tok/sDell Inc. PowerEdge R820 0,8 tok/s

ENGby engine

llama.cpp 551,0 tok/s★ vLLM 105,6 tok/s this rununbekannt 62,7 tok/s

DRVby driver

unbekannt 551,0 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 105,6 tok/s this runNVIDIA 580.159.04 / CUDA 13.0 62,7 tok/sAMD 7.0.0-27-generic 6,5 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (5× concurrent). Methodology →

🔌

2 devices in distributed operation – the calculation below (power, acquisition, TCO) uses 2× NVIDIA GB10 (DGX Spark) (detected from tensor/pipeline parallel in the vLLM configuration).

⚙️ ConfigurationAll metrics and charts below follow these settings – based on a 24-month runtime.Save to URL Reset

⚡ Electricity price EUR/kWh

⚙️ System utilization 100 %

🖥️ Acquisition EUR

🔌 Idle 30 W

⚡ TDP 280 W

☁️ External LLM (API) show

Input €/1M Output €/1M Input per output token

Electricity0.30 EUR/kWh

Avg power (incl. idle)280 W estimated (TDP)GPU 280 W full load

Avg cost / hourEUR 0.084

Electricity / 1M tokensEUR 0.32

Token / kWh944.23K

Acquisition (system)EUR 11,600 partial priceGPU EUR 8,000 · RAM EUR 3,360 · PSU EUR 240

Electricity (2 years)–

TCO (2 years)EUR 13,072

Output tokens (2 years)4.63B

☁️ External LLM (API) – comparison

External LLM cost (2 years)–

Savings vs. external (2 years)–

All values above and the charts below take the configured system utilization into account: at X% the system generates only X% of the time, the rest it idles (30 W). Cost per hour drops (more idle), cost per token rises.

Cost over 2 years – electricity only

Cost over 2 years – incl. acquisition (TCO)

Speed vs. tokens per euro

Euro per 1M tokens

Comparison vs. API – economics per benchmark

	MiniMax-M2.5NVIDIA GB10 (DGX Spark)	MiniMax-M2.53x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	MiniMax-M2.53x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	MiniMax-M2.53x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition
Electricity cost (24 mo.)	–	–	–	–
Acquisition cost	–	–	–	–
Total cost (TCO)	–	–	–	–
Generated tokens (24 mo.)	–	–	–	–
Token price via API	–	–	–	–
Break-even point (days)	–	–	–	–
Result (savings / extra cost)	–	–	–	–

NVIDIA GB10 (DGX Spark) · this run 73 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 317 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 315 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 315 tok/s

Comparison with up to 3 next-best runs of this model at the same concurrency (at least one on different hardware). Power = GPU TDP + CPU (idle + 15 %) + board (estimated), acquisition = full system (GPU + CPU + board + RAM + PSU), prices = stored market prices.

Contributed by

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.