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.

Generation108,63tok/s

Prefill4.568,22tok/s

Time to First Token13.672,50ms

Total duration171,68s

Concurrency5parallel

Ranking in the field

This GPU All GPUs

2of 18 systems

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

This run is better than 94 % of all comparable systems.

Generation 108,6 tok/s

+64 % vs Ø 66,2

Prefill 4.568,2 tok/s

+5 % vs Ø 4.350,1

Time to First Token 13.673 ms

+121 % vs Ø 6.183

Distribution in the field24 – 174 tok/s

Ø 66 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

MiniMax-M2.7-AWQ-4bitNVIDIA GB10 · run-20260723-055735-2facb9

174,2 tok/s

MiniMax-M2.7 this runNVIDIA GB10 · run-20260726-091400-a1c841

108,6 tok/s

MiniMax-M2.7-AWQ-4bitNVIDIA GB10 · run-20260723-055735-105350

106,1 tok/s

MiniMax-M2.5NVIDIA GB10 · run-20260726-084121-a2597d

105,6 tok/s

MiniMax-M2.7 same modelNVIDIA GB10 · run-20260726-084121-190675

103,3 tok/s

MiniMax-M2.5NVIDIA GB10 · run-20260726-091400-7d7441

77,7 tok/s

MiniMax-M2.5NVIDIA GB10 · run-20260726-084121-f1f339

73,4 tok/s

MiniMax-M2.7 same modelNVIDIA GB10 · run-20260726-084121-fa4885

66,8 tok/s

MiniMax-M2.7 same modelNVIDIA GB10 · run-20260726-084121-fd5e41

64,5 tok/s

MiniMax-M2.7 same modelNVIDIA GB10 · run-20260726-084121-f4644d

52,5 tok/s

MiniMax-M2.7 same modelNVIDIA GB10 · run-20260726-084121-df64ee

51,6 tok/s

MiniMax-M2.7-AWQ-4bitNVIDIA GB10 · run-20260722-165904-036e47

34,4 tok/s

MiniMax-M2.5NVIDIA GB10 · run-20260726-091400-b10991

32,2 tok/s

MiniMax-M2.5NVIDIA GB10 · run-20260726-084120-94f03f

31,9 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-M2.7

Configuration

benchmark-konfiguration — run-20260726-091400-a1c841

# LLM-Benchmark Konfiguration # Modell : MiniMax-M2.7 # Engine : vLLM # Run-ID : run-20260726-091400-a1c841 # 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-M2.7-AWQ-4bit \ --served-model-name cyankiwi/MiniMax-M2.7-AWQ-4bit MiniMax-M2.7 \ --host 0.0.0.0 \ --port 8000 \ --tensor-parallel-size 2 \ --distributed-executor-backend ray \ --gpu-memory-utilization 0.85 \ --max-model-len 196608 \ --max-num-seqs 4 \ --load-format fastsafetensors \ --tool-call-parser minimax_m2 \ --reasoning-parser minimax_m2 \ --enable-auto-tool-choice \ --kv-cache-dtype fp8_e4m3 \ --enable-prefix-caching \ --trust-remote-code \ --enforce-eager '>/tmp/dgx_m27prod.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.	cyankiwi/MiniMax-M2.7-AWQ-4bit
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	196608
lc	HF_HUB_OFFLINE=1
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	cyankiwi/MiniMax-M2.7-AWQ-4bit
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.	196608
Max-Sequenzen?Maximale Anzahl gleichzeitig bearbeiteter Anfragen (Batch-Groesse). Hoeher = mehr Durchsatz, braucht aber mehr KV-Cache-Speicher.	4
Load-Format?Format, aus dem die Gewichte geladen werden (auto, safetensors, pt ...). 'auto' erkennt es selbst.	fastsafetensors
Tool-Parser?Bestimmt, wie vLLM Tool-Aufrufe aus der Modellantwort ausliest (z.B. hermes, mistral, llama3_json). Muss zum Modell passen.	minimax_m2
Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken).	minimax_m2
KV-Cache-Dtype?Datentyp des KV-Cache (auto, fp8). fp8 halbiert etwa den Cache-Speicher -> mehr und laengere parallele Anfragen bei minimalem Qualitaetsverlust.	fp8_e4m3
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_m27prod.log

All benchmarks of this model To leaderboard

Model comparison

MiniMax-M2.7 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 GB10 (DGX Spark) 108,6 tok/s this runAMD Radeon AI PRO R9700 16,9 tok/sCPU-only 2,6 tok/s

CPUby processor

★ NVIDIA Grace 108,6 tok/s this runAMD Ryzen Threadripper PRO 7955WX 16-Cores 16,9 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 2,6 tok/s

MBby mainboard

★ ASUSTeK COMPUTER INC. GX10 108,6 tok/s this runASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 16,9 tok/sDell Inc. PowerEdge R820 2,6 tok/s

ENGby engine

★ vLLM 108,6 tok/s this runllama.cpp 16,9 tok/s

DRVby driver

★ NVIDIA 590.48.01 / CUDA 13.1 108,6 tok/s this rununbekannt 16,9 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model. Methodology →

⚡ Electricity price EUR/kWh Save to URL

🖥️ Acquisition EUR Reset

Electricity0.30 EUR/kWh

Power (system)300 W estimated (TDP)GPU 300 W

Cost / hourEUR 0.090

Electricity / 1M tokensEUR 0.23

Token / kWh1.30M

Acquisition (system)EUR 4,960 partial priceGPU EUR 4,000 · RAM EUR 840 · PSU EUR 120

TCO (2 years)EUR 6,537

Output tokens (2 years)6.85B

☁️ External LLM (API) – comparison Input €/1M Output €/1M Input per output token

External LLM cost (2 years)–

Savings vs. external (2 years)–

⚙️ System utilization 100 % Idle: 15 W

Avg power (incl. idle)–

Electricity (2 years)–

Generated tokens (2 years)–

TCO (2 years)–

EUR / 1M tokens–

At X% utilization the system generates only X% of the time; the rest it idles (15 W). Electricity includes the idle draw, token volume drops with utilization. Electricity price/acquisition from above are applied.

Cost over 2 years – electricity only

Cost over 2 years – incl. acquisition (TCO)

Speed vs. tokens per euro

Euro per 1M tokens

NVIDIA GB10 (DGX Spark) · this run 109 tok/s NVIDIA GB10 (DGX Spark) 103 tok/s NVIDIA GB10 (DGX Spark) 67 tok/s 3× AMD Radeon AI PRO R9700 17 tok/s

Comparison with up to 3 next-best runs of this model (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.