⚠

Konfigurations-Hinweis: Dieser Lauf nutzte 2 Geräte im verteilten Betrieb (2× NVIDIA GB10 (DGX Spark), 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.

Generation32,23tok/s

Prefill2.184,14tok/s

Time to First Token1.049,50ms

Gesamtdauer65,65s

Concurrency1parallel

Einordnung im Feld

Diese GPU Alle GPUs

956von 1559 Systemen

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

Dieser Lauf ist besser als 39 % aller vergleichbaren Systeme.

Generation 32,2 tok/s

-59 % vs Ø 79,0

Prefill 2.184,1 tok/s

-23 % vs Ø 2.834,3

Time to First Token 1.050 ms

-96 % vs Ø 26.805

Verteilung im Feld0 – 405 tok/s

Ø 79 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004608-16af9b

404,6 tok/s

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-9f766a

395,2 tok/s

Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-d456e7

393,5 tok/s

Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-bffb11

393,5 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004607-29bd16

388,9 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-1c779f

388,2 tok/s

gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-6ea089

378,6 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-e8b129

377,6 tok/s

Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-ac388e

362,3 tok/s

Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-5e5085

361,4 tok/s

Nemotron-3-Nano-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105335-653788

359,4 tok/s

Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA GeForce RTX 5090 · run-20260729-105334-2c4905

359,3 tok/s

Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105334-44d1e7

359,0 tok/s

Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260729-032119-4852bf

357,1 tok/s

MiniMax-M2.5 dieser LaufNVIDIA GB10 · run-20260726-091400-b10991

32,2 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-20260729-032130-3a3cc6

116,2 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260728-164528-2c7f40

116,2 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032127-fd7165

116,2 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260728-164528-176d92

115,7 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032127-0f36ce

109,0 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032129-05f4c7

106,9 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 GB10 dieser Laufrun-20260726-091400-b10991

32,2 tok/s

NVIDIA GB10run-20260726-084120-94f03f

31,9 tok/s

4× AMD Radeon AI PRO R9700run-20260810-003948-22d7b0

28,4 tok/s

2× AMD Radeon PRO W7900 Dual Slotrun-20260818-094144-d89c6b

14,6 tok/s

AMD Radeon PRO W7900 Dual Slotrun-20260817-222755-979828

14,5 tok/s

NVIDIA GeForce RTX 5070 Tirun-20260728-164527-55ef81

11,9 tok/s

Hardware

GPU: NVIDIA 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

Konfiguration

benchmark-konfiguration — run-20260726-091400-b10991

# LLM-Benchmark Konfiguration # Modell : MiniMax-M2.5 # Engine : vLLM # Run-ID : run-20260726-091400-b10991 # 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/dgxboth_srv.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/dgxboth_srv.log

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

MiniMax-M2.5 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 RTX PRO 6000 Blackwell Max-Q Workstation Edition 551,0 tok/s★ NVIDIA GB10 (DGX Spark) 105,6 tok/s dieser LaufAMD 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

CPUnach Prozessor

AMD Ryzen Threadripper PRO 9965WX 24-Cores 551,0 tok/s★ NVIDIA Grace 105,6 tok/s dieser LaufAMD 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

MBnach Mainboard

ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 551,0 tok/s★ ASUSTeK COMPUTER INC. GX10 105,6 tok/s dieser Laufunbekannt 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

ENGnach Engine

llama.cpp 551,0 tok/s★ vLLM 105,6 tok/s dieser Laufunbekannt 62,7 tok/s

DRVnach Treiber

unbekannt 551,0 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 105,6 tok/s dieser LaufNVIDIA 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 GB10 (DGX Spark) (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. Token0,72 EUR

Token / kWh414,39 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)2,03 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-M2.5NVIDIA 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
Kosten Strom (24 Mon.)	–	–	–	–
Kosten Anschaffung	–	–	–	–
Kosten Gesamt (TCO)	–	–	–	–
Generierte Token (24 Mon.)	–	–	–	–
Tokenpreis bei API	–	–	–	–
Break-Even-Point (Tage)	–	–	–	–
Ergebnis (Ersparnis / Ausgabe)	–	–	–	–

NVIDIA GB10 (DGX Spark) · dieser Lauf 32 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 116 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 116 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 116 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.