Contributed byMario AlkaQwen (Alibaba) Qwen2.5-32B-Instruct-AWQ
Performance benchmark · measured on 29.07.2026 01:03
run-20260729-032126-b2bb73Performance benchmark · Primary metric: Generation-Speed (tok/s) · 10× concurrent
Wie schlägt sich dieser Benchmark mit anderen Modellen?
How does this benchmark compare on other GPUs?
Same model on different hardware · 10× concurrent · Generation (tok/s)
Hardware
GPU: NVIDIA RTX PRO 6000 Blackwell Workstation Edition · 96 GB VRAM
CPU: AMD Ryzen 9 9950X 16-Core Processor
RAM: 92 GB
Mainboard: ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI
Setup
Runtime: llama.cpp
Quantization: AWQ
Model: Qwen2.5-32B-Instruct-AWQ
Configuration
| 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. | llamacpp |
| Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen. | Qwen2.5-32B-Instruct-AWQ |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 16384 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | /home/godcore/.cache/huggingface/hub/models--bartowski--Qwen2.5-32B-Instruct-GGUF/snapshots/2116cbb385b8ce3a4d28cf3bf1cd2039a55821a6/Qwen2.5-32B-Instruct-Q4_K_M.gguf |
| GPU-Layer?Anzahl der auf die GPU ausgelagerten Modell-Layer. Hoeher = mehr VRAM und schneller; der Rest laeuft auf der CPU. 999 = alles auf GPU. | 999 |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 16384 |
| np | 4 |
Qwen2.5-32B-Instruct-AWQ 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
CPUby processor
MBby mainboard
DRVby driver
Economics of this run
Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (10× concurrent). Methodology →
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 (70 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
| Qwen2.5-32B-Instruct-AWQNVIDIA RTX PRO 6000 Blackwell Workstation Edition | Qwen2.5-32B-Instruct-AWQNVIDIA RTX PRO 6000 Blackwell Workstation Edition | Qwen2.5-32B-Instruct-AWQNVIDIA GeForce RTX 5070 Ti | Qwen2.5-32B-Instruct-AWQAMD Radeon 8060S Graphics | |
|---|---|---|---|---|
| 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) | – | – | – | – |
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.
Mario Alka Administrator
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.