# LLM-Benchmark Konfiguration # Modell : Mistral-Small-3.1-24B-Instruct-2503 # Engine : llama.cpp # Run-ID : run-20260730-043114-f5eb37 # GPU : NVIDIA RTX PRO 6000 Blackwell Workstation Edition # CPU : AMD Ryzen 9 9950X 16-Core Processor # RAM : 92 GB bench@llm-benchmark:~$ /home/godcore/llama.cpp/build/bin/llama-server \ -m /home/godcore/.cache/huggingface/hub/models--mrfakename--mistral-small-3.1-24b-instruct-2503-gguf/snapshots/72af174a032b5788b9c88b3c8907ab1363ef7f69/ggml-model-Q4_K.gguf \ --alias Mistral-Small-3.1-24B-Instruct-2503 \ --host 0.0.0.0 \ --port 8000 \ -ngl 999 \ -c 16384 \ -np 4 \ --jinja

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.	Mistral-Small-3.1-24B-Instruct-2503
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--mrfakename--mistral-small-3.1-24b-instruct-2503-gguf/snapshots/72af174a032b5788b9c88b3c8907ab1363ef7f69/ggml-model-Q4_K.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

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Mistral-Small-3.1-24B-Instruct-2503 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 690,3 tok/s dieser LaufNVIDIA GeForce RTX 5090 684,1 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 594,0 tok/sNVIDIA GeForce RTX 3090 Ti 337,4 tok/sNVIDIA GeForce RTX 5070 Ti 117,6 tok/sAMD Radeon AI PRO R9700 73,6 tok/sAMD Radeon 8060S Graphics 14,8 tok/s

CPUnach Prozessor

★ AMD Ryzen 9 9950X 16-Core Processor 690,3 tok/s dieser LaufAMD Ryzen 7 5800X3D 8-Core Processor 684,1 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 594,0 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 337,4 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 117,6 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 73,6 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 14,8 tok/s

MBnach Mainboard

★ ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 690,3 tok/s dieser LaufASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 684,1 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 594,0 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 337,4 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 117,6 tok/sBosgame AXB35-02 (BeyondMax Series) 14,8 tok/s

ENGnach Engine

★ llama.cpp 690,3 tok/s dieser LaufvLLM 88,3 tok/s

DRVnach Treiber

unbekannt 690,3 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (1× parallel). Methodik →

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

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 70 W

⚡ TDP 644 W

☁️ Externes LLM (API) anzeigen

Input €/1M Output €/1M Input je Output-Token

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)644 W geschätzt (TDP)GPU 600 + CPU 29 + Board 15 W Volllast

Ø-Kosten / Stunde0,19 EUR

Strom / 1 Mio. Token0,55 EUR

Token / kWh543,68 Tsd.

Anschaffung (System)15.248 EUR VollpreisGPU 13.000 EUR · CPU 649 EUR · Board 499 EUR · RAM 920 EUR · Netzteil 180 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)18.632 EUR

Output-Token (2 Jahre)6,13 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 (70 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

Vergleich zur API – Wirtschaftlichkeit je Benchmark

	Mistral-Small-3.1-24B-Instruct-2503NVIDIA RTX PRO 6000 Blackwell Workstation Edition	Mistral-Small-3.1-24B-Instruct-2503NVIDIA GeForce RTX 5090	Mistral-Small-3.1-24B-Instruct-25033x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	Mistral-Small-3.1-24B-Instruct-25033x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition
Kosten Strom (24 Mon.)	–	–	–	–
Kosten Anschaffung	–	–	–	–
Kosten Gesamt (TCO)	–	–	–	–
Generierte Token (24 Mon.)	–	–	–	–
Tokenpreis bei API	–	–	–	–
Break-Even-Point (Tage)	–	–	–	–
Ergebnis (Ersparnis / Ausgabe)	–	–	–	–

NVIDIA RTX PRO 6000 Blackwell Workstation Edition · dieser Lauf 97 tok/s NVIDIA GeForce RTX 5090 99 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 93 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 93 tok/s

Vergleich mit bis zu 3 nächstbesten Läufen dieses Modells bei gleicher Concurrency (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.