⚠

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

Generation103,49tok/s

Prefill7.015,72tok/s

Time to First Token5.293,50ms

Total duration209,31s

Concurrency10parallel

Ranking in the field

This GPU All GPUs

5of 19 systems

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

This run is better than 78 % of all comparable systems.

Generation 103,5 tok/s

+52 % vs Ø 68,2

Prefill 7.015,7 tok/s

+56 % vs Ø 4.490,4

Time to First Token 5.294 ms

-14 % vs Ø 6.137

Distribution in the field24 – 174 tok/s

Ø 68 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

MiniMax-M2.7NVIDIA GB10 · run-20260723-055735-2facb9

174,2 tok/s

MiniMax-M2.7NVIDIA GB10 · run-20260726-091400-a1c841

108,6 tok/s

MiniMax-M2.7NVIDIA GB10 · run-20260723-055735-105350

106,1 tok/s

MiniMax-M2.5 same modelNVIDIA GB10 · run-20260726-084121-a2597d

105,6 tok/s

MiniMax-M2.5 this runNVIDIA GB10 · run-20260726-200011-290650

103,5 tok/s

MiniMax-M2.7NVIDIA GB10 · run-20260726-084121-190675

103,3 tok/s

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

77,7 tok/s

MiniMax-M2.5 same modelNVIDIA GB10 · run-20260726-084121-f1f339

73,4 tok/s

MiniMax-M2.7NVIDIA GB10 · run-20260726-084121-fa4885

66,8 tok/s

MiniMax-M2.7NVIDIA GB10 · run-20260726-084121-fd5e41

64,5 tok/s

MiniMax-M2.7NVIDIA GB10 · run-20260726-084121-f4644d

52,5 tok/s

MiniMax-M2.7NVIDIA GB10 · run-20260726-084121-df64ee

51,6 tok/s

MiniMax-M2.7NVIDIA GB10 · run-20260722-165904-036e47

34,4 tok/s

MiniMax-M2.5 same modelNVIDIA GB10 · run-20260726-091400-b10991

32,2 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-M2.5

Configuration

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

All benchmarks of this model To leaderboard

Model comparison

MiniMax-M2.5 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) 105,6 tok/s this runNVIDIA 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

CPUby processor

★ NVIDIA Grace 105,6 tok/s this runAMD 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

MBby mainboard

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

ENGby engine

★ vLLM 105,6 tok/s this runllama.cpp 18,3 tok/s

DRVby driver

★ NVIDIA 590.48.01 / CUDA 13.1 105,6 tok/s this rununbekannt 62,7 tok/s

💰 Economics

Economics of this run

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

🔌

2 devices in distributed operation – the calculation below (power, acquisition, TCO) uses 2× NVIDIA GB10 (DGX Spark) (detected from tensor/pipeline parallel in the vLLM configuration).

⚙️ ConfigurationAll metrics and charts below follow these settings – based on a 24-month runtime.

⚡ Electricity price EUR/kWh Save to URL

🖥️ Acquisition EUR Reset

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

⚙️ System utilization 100 % Idle: 30 W · Full load: 600 W

Electricity0.30 EUR/kWh

Avg power (incl. idle)600 W estimated (TDP)GPU 600 W full load

Avg cost / hourEUR 0.18

Electricity / 1M tokensEUR 0.48

Token / kWh620.94K

Acquisition (system)EUR 11,600 partial priceGPU EUR 8,000 · RAM EUR 3,360 · PSU EUR 240

Electricity (2 years)–

TCO (2 years)EUR 14,754

Output tokens (2 years)6.53B

☁️ 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

NVIDIA GB10 (DGX Spark) · this run 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

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.