ℹ

Zur Einordnung: Teile des Modells wurden per --cpu-offload-gb=80 GB in den System-RAM ausgelagert – RAM wird als erweiterter VRAM genutzt, was den Durchsatz senken kann.

Generation497,64tok/s

Prefill8.340,44tok/s

Time to First Token5.359,50ms

Gesamtdauer74,05s

Concurrency10parallel

Einordnung im Feld

Diese GPU Alle GPUs

9von 48 Systemen

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

Dieser Lauf ist besser als 81 % aller vergleichbaren Systeme.

Generation 497,6 tok/s

+81 % vs Ø 275,2

Prefill 8.340,4 tok/s

+40 % vs Ø 5.940,3

Time to First Token 5.360 ms

-46 % vs Ø 9.960

Verteilung im Feld6 – 1.608 tok/s

Ø 275 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-bb6a92

1.608,5 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032744-1e7496

1.608,5 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-95c93c

1.022,8 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032744-2f7a4a

1.022,8 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-a7d32d

973,5 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032744-260d5c

973,5 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-9ceaf4

616,0 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032744-51bece

616,0 tok/s

Ministral-3-14B-Reasoning-2512 gleiches ModellNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-f155dc

497,6 tok/s

Ministral-3-14B-Reasoning-2512 dieser LaufNVIDIA GeForce RTX 5070 Ti · run-20260727-032745-b69b05

497,6 tok/s

gemma-4-12B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-8c9d3d

486,2 tok/s

gemma-4-12B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032745-0908cd

486,2 tok/s

Ministral-3-14B-Reasoning-2512 gleiches ModellNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-014935

318,7 tok/s

Ministral-3-14B-Reasoning-2512 gleiches ModellNVIDIA GeForce RTX 5070 Ti · run-20260727-032745-e4fda3

318,7 tok/s

Hardware

GPU: NVIDIA GeForce RTX 5070 Ti · 16 GB VRAM
CPU: AMD Ryzen Threadripper PRO 5975WX 32-Cores
RAM: 247 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI

Setup

Runtime: vLLM
Quantisierung: AWQ
Modell: Ministral-3-14B-Reasoning-2512

Konfiguration

benchmark-konfiguration — run-20260727-032745-b69b05

# LLM-Benchmark Konfiguration # Modell : Ministral-3-14B-Reasoning-2512 # Engine : vLLM # Run-ID : run-20260727-032745-b69b05 # GPU : NVIDIA GeForce RTX 5070 Ti # CPU : AMD Ryzen Threadripper PRO 5975WX 32-Cores # RAM : 247 GB bench@llm-benchmark:~$ /home/godcore/vllm-venv/bin/python3 /home/godcore/vllm-venv/bin/vllm serve cyankiwi/Ministral-3-14B-Reasoning-2512-AWQ-4bit \ --served-model-name Ministral-3-14B-Reasoning-2512 \ --tensor-parallel-size 1 \ --cpu-offload-gb 80 \ --dtype auto \ --max-model-len 8192 \ --gpu-memory-utilization 0.85 \ --trust-remote-code \ --host 0.0.0.0 \ --port 8000

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.	Ministral-3-14B-Reasoning-2512
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	8192
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	Ministral-3-14B-Reasoning-2512
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).	1
cpu-offload-gb?Menge an Modellgewichten in GiB, die in den CPU-RAM ausgelagert wird. Ermoeglicht groessere Modelle als der GPU-Speicher fasst, kostet aber Geschwindigkeit.	80
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.	auto
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	8192
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

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Ministral-3-14B-Reasoning-2512 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 Workstation Edition 1.015,7 tok/sNVIDIA GeForce RTX 5090 883,1 tok/sNVIDIA GeForce RTX 3090 Ti 524,4 tok/s★ NVIDIA GeForce RTX 5070 Ti 497,6 tok/s dieser LaufAMD Radeon AI PRO R9700 131,2 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 106,1 tok/sAMD Radeon 8060S Graphics 85,5 tok/s

CPUnach Prozessor

AMD Ryzen 9 9950X 16-Core Processor 1.015,7 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 883,1 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 524,4 tok/s★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 497,6 tok/s dieser LaufAMD Ryzen Threadripper PRO 7955WX 16-Cores 131,2 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 106,1 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 85,5 tok/s

MBnach Mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.015,7 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 883,1 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 524,4 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 497,6 tok/s dieser LaufASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 131,2 tok/sBosgame AXB35-02 (BeyondMax Series) 85,5 tok/s

ENGnach Engine

★ vLLM 1.015,7 tok/s dieser Laufllama.cpp 883,1 tok/s

DRVnach Treiber

unbekannt 1.015,7 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

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

⚙️ KonfigurationAlle Kennzahlen und Diagramme unten folgen diesen Einstellungen – bezogen auf 24 Monate Laufzeit.

⚡ Strompreis EUR/kWh In URL übernehmen

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

⚙️ System-Auslastung 100 % Idle: 0 W · Volllast: 0 W

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)0 W fehlt

Ø-Kosten / Stunde–

Strom / 1 Mio. Token–

Token / kWh–

Anschaffung (System)– fehlt

Stromkosten (2 Jahre)–

TCO (2 Jahre)–

Output-Token (2 Jahre)31,39 Mrd.

☁️ Externes LLM (API) – Vergleich

Externe LLM-Kosten (2 Jahre)–

Ersparnis vs. extern (2 Jahre)–

Keine Leistungsaufnahme gemessen – Werte geschätzt aus GPU-TDP + CPU (Idle + 15 %) + Board.

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 (0 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 GeForce RTX 5070 Ti · dieser Lauf 498 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.016 tok/s NVIDIA GeForce RTX 5090 883 tok/s NVIDIA GeForce RTX 5090 832 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.