⚠

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.

Generation103,49tok/s

Prefill7.015,72tok/s

Time to First Token5.293,50ms

Gesamtdauer209,31s

Concurrency10parallel

Einordnung im Feld

Diese GPU Alle GPUs

515von 1515 Systemen

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

Dieser Lauf ist besser als 66 % aller vergleichbaren Systeme.

Generation 103,5 tok/s

-47 % vs Ø 195,1

Prefill 7.015,7 tok/s

+55 % vs Ø 4.531,8

Time to First Token 5.294 ms

-36 % vs Ø 8.247

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-M2.5 dieser LaufNVIDIA GB10 · run-20260726-200011-290650

103,5 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-20260726-200011-290650

# LLM-Benchmark Konfiguration # Modell : MiniMax-M2.5 # Engine : vLLM # Run-ID : run-20260726-200011-290650 # 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 GB10 (DGX Spark) 105,6 tok/s dieser LaufNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 62,7 tok/sAMD Radeon AI PRO R9700 18,3 tok/sCPU-only 0,8 tok/s

CPUnach Prozessor

★ NVIDIA Grace 105,6 tok/s dieser LaufAMD Ryzen Threadripper PRO 9965WX 24-Cores 62,7 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 18,3 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 0,8 tok/s

MBnach Mainboard

★ ASUSTeK COMPUTER INC. GX10 105,6 tok/s dieser LaufASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 62,7 tok/sDell Inc. PowerEdge R820 0,8 tok/s

ENGnach Engine

★ vLLM 105,6 tok/s dieser Laufllama.cpp 18,3 tok/s

DRVnach Treiber

★ NVIDIA 590.48.01 / CUDA 13.1 105,6 tok/s dieser Laufunbekannt 62,7 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

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

⚡ Strompreis EUR/kWh In URL übernehmen

🖥️ Anschaffung EUR Zurücksetzen

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

⚙️ System-Auslastung 100 % Idle: 30 W · Volllast: 600 W

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)600 W geschätzt (TDP)GPU 600 W Volllast

Ø-Kosten / Stunde0,18 EUR

Strom / 1 Mio. Token0,48 EUR

Token / kWh620,94 Tsd.

Anschaffung (System)11.600 EUR TeilpreisGPU 8.000 EUR · RAM 3.360 EUR · Netzteil 240 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)14.754 EUR

Output-Token (2 Jahre)6,53 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

NVIDIA GB10 (DGX Spark) · dieser Lauf 103 tok/s NVIDIA GB10 (DGX Spark) 106 tok/s NVIDIA GB10 (DGX Spark) 78 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 63 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.