⚠

Configuration note: This run used 2 devices in distributed inference (2× NVIDIA DGX SPARK (GB10), 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.

Generation29,35tok/s

Prefill1.985,60tok/s

Time to First Token1.157,00ms

Total duration72,10s

Concurrency1parallel

Ranking in the field

This GPU All GPUs

37of 43 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 1× concurrent

This run is better than 14 % of all comparable systems.

Generation 29,4 tok/s

-47 % vs Ø 55,2

Prefill 1.985,6 tok/s

-21 % vs Ø 2.507,9

Time to First Token 1.157 ms

-8 % vs Ø 1.261

Distribution in the field11 – 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-M2.7-AWQ-4bit this runNVIDIA DGX SPARK (GB10) · run-20260726-091400-f470fb

29,4 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 1× concurrent · Generation (tok/s)

NVIDIA DGX SPARK (GB10)run-20260722-165904-036e47

34,4 tok/s

NVIDIA DGX SPARK (GB10) this runrun-20260726-091400-f470fb

29,4 tok/s

NVIDIA DGX SPARK (GB10)run-20260726-084121-cde663

24,3 tok/s

NVIDIA DGX SPARK (GB10)run-20260726-084121-98ddc2

24,0 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165909-758b3b

3,0 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165910-29dfea

3,0 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
Quantization: AWQ
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: MiniMax-M2.7-AWQ-4bit

Configuration

benchmark-konfiguration — run-20260726-091400-f470fb

# LLM-Benchmark Konfiguration # Modell : MiniMax-M2.7-AWQ-4bit # Engine : vLLM # Run-ID : run-20260726-091400-f470fb # 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-M2.7-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-AWQ-4bit 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 DGX SPARK (GB10) 108,6 tok/s this runAMD Radeon AI PRO R9700 3,0 tok/s

CPUby processor

★ NVIDIA Grace 108,6 tok/s this runAMD Ryzen Threadripper PRO 7955WX 16-Cores 3,0 tok/s

MBby mainboard

★ ASUSTeK COMPUTER INC. GX10 108,6 tok/s this runASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 3,0 tok/s

ENGby engine

★ vLLM 108,6 tok/s this rununbekannt 3,0 tok/sllama.cpp 3,0 tok/s

DRVby driver

★ NVIDIA 590.48.01 / CUDA 13.1 108,6 tok/s this runAMD 7.0.0-27-generic 3,0 tok/sunbekannt 3,0 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (1× concurrent). Methodology →

🔌

2 devices in distributed operation – the calculation below (power, acquisition, TCO) uses 2× NVIDIA DGX SPARK (GB10) (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 0.80

Token / kWh377.36K

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)1.85B

☁️ 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-M2.7-AWQ-4bitNVIDIA DGX SPARK (GB10)	MiniMax-M2.7-AWQ-4bitNVIDIA DGX SPARK (GB10)	MiniMax-M2.7-AWQ-4bitNVIDIA DGX SPARK (GB10)	MiniMax-M2.7-AWQ-4bit3x AMD Radeon AI PRO R9700
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 DGX SPARK (GB10) · this run 29 tok/s NVIDIA DGX SPARK (GB10) 34 tok/s NVIDIA DGX SPARK (GB10) 24 tok/s 3× AMD Radeon AI PRO R9700 3 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.