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.

Generation29,35tok/s

Prefill1.985,60tok/s

Time to First Token1.157,00ms

Gesamtdauer72,10s

Concurrency1parallel

Einordnung im Feld

Diese GPU Alle GPUs

1167von 1514 Systemen

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

Dieser Lauf ist besser als 23 % aller vergleichbaren Systeme.

Generation 29,4 tok/s

-85 % vs Ø 195,2

Prefill 1.985,6 tok/s

-56 % vs Ø 4.530,2

Time to First Token 1.157 ms

-86 % vs Ø 8.249

Verteilung im Feld0 – 1.444 tok/s

Ø 195 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-194447-dc199d

1.443,9 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004604-1c9023

1.386,8 tok/s

Qwen2.5-Coder-32B-InstructNVIDIA GeForce RTX 5090 · run-20260724-082948-5b32df

1.307,9 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260723-045447-edeed3

1.295,3 tok/s

gpt-oss-20b3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260724-082940-10761f

1.238,3 tok/s

Qwen3-Coder-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004606-ebf474

1.070,6 tok/s

Qwen3.5-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-082959-cd1403

1.028,6 tok/s

Qwen3-VL-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004607-c49303

1.028,5 tok/s

Ministral-3-14B-Reasoning-2512NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-195749-eebab2

1.015,7 tok/s

GLM-4.5-AirNVIDIA GeForce RTX 5090 · run-20260724-082959-2ea391

976,7 tok/s

Qwen3-Coder-30B-A3B-InstructNVIDIA GeForce RTX 5090 · run-20260723-045450-366dae

966,2 tok/s

Qwen3-30B-A3B-Instruct-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004604-860045

961,5 tok/s

Devstral-Small-2507NVIDIA GeForce RTX 5090 · run-20260724-082938-ad06f1

958,9 tok/s

Qwen3.6-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-083000-8690d7

952,8 tok/s

MiniMax-M2.7 dieser LaufNVIDIA GB10 · run-20260726-091400-f470fb

29,4 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-M2.7

Konfiguration

benchmark-konfiguration — run-20260726-091400-f470fb

# LLM-Benchmark Konfiguration # Modell : MiniMax-M2.7 # Engine : vLLM # Run-ID : run-20260726-091400-f470fb # 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

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

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

CPUnach Prozessor

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

MBnach Mainboard

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

ENGnach Engine

★ vLLM 108,6 tok/s dieser Laufllama.cpp 16,9 tok/s

DRVnach Treiber

★ NVIDIA 590.48.01 / CUDA 13.1 108,6 tok/s dieser Laufunbekannt 16,9 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells. Methodik →

⚡ Strompreis EUR/kWh In URL übernehmen

🖥️ Anschaffung EUR Zurücksetzen

Strompreis0,30 EUR/kWh

Leistung (System)300 W geschätzt (TDP)GPU 300 W

Kosten / Stunde0,090 EUR

Strom / 1 Mio. Token0,85 EUR

Token / kWh352,20 Tsd.

Anschaffung (System)4.960 EUR TeilpreisGPU 4.000 EUR · RAM 840 EUR · Netzteil 120 EUR

TCO (2 Jahre)6.537 EUR

Output-Token (2 Jahre)1,85 Mrd.

☁️ Externes LLM (API) – Vergleich Input €/1M Output €/1M Input je Output-Token

Externe LLM-Kosten (2 Jahre)–

Ersparnis vs. extern (2 Jahre)–

⚙️ System-Auslastung 100 % Idle: 15 W

Ø-Leistung (inkl. Idle)–

Stromkosten (2 Jahre)–

Generierte Token (2 Jahre)–

TCO (2 Jahre)–

€ / 1 Mio. Token–

Bei X % Auslastung generiert das System nur X % der Zeit; die restliche Zeit läuft es im Idle (15 W). Die Stromkosten enthalten den Idle-Verbrauch, die Tokenmenge sinkt mit der Auslastung. Strompreis/Anschaffung von oben werden übernommen.

Kosten über 2 Jahre – nur Strom

Kosten über 2 Jahre – inkl. Anschaffung (TCO)

Geschwindigkeit vs. Token pro Euro

Euro pro 1 Mio. Token

NVIDIA GB10 (DGX Spark) · dieser Lauf 29 tok/s NVIDIA GB10 (DGX Spark) 109 tok/s NVIDIA GB10 (DGX Spark) 103 tok/s 3× AMD Radeon AI PRO R9700 17 tok/s

Vergleich mit bis zu 3 nächstbesten Läufen dieses Modells (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.