# LLM-Benchmark Konfiguration # Modell : Codestral-22B-v0.1 # Engine : vLLM # Run-ID : run-20260804-052132-43f414 # GPU : NVIDIA GeForce RTX 3090 Ti # CPU : AMD Ryzen 5 5600X 6-Core Processor # RAM : 30 GB bench@llm-benchmark:~$ /opt/vllm-gemma/venv/bin/python /opt/vllm-gemma/venv/bin/vllm serve /home/godcore/models/codestral22b-awq \ --served-model-name Codestral-22B-v0.1 \ --host 192.168.41.116 \ --port 8000 \ --quantization awq \ --dtype half \ --max-model-len 32768 \ --gpu-memory-utilization 0.92 \ --enforce-eager \ --chat-template /home/godcore/models/codestral22b-awq/chat_template.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.	vllm
Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen.	Codestral-22B-v0.1
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	32768
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	Codestral-22B-v0.1
Quantisierung?Quantisierungsverfahren der Gewichte (z.B. awq, gptq, fp8, bitsandbytes). Verkleinert das Modell und spart VRAM, kann die Genauigkeit leicht senken. Leer = keine zusaetzliche Quantisierung.	awq
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.	half
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	32768
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'.	0.92
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.	aktiv
chat-template?Jinja-Vorlage, die Chat-Nachrichten in den Prompt-Text des Modells umwandelt. Noetig, wenn das Modell keine eigene mitbringt.	/home/godcore/models/codestral22b-awq/chat_template.jinja

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Codestral-22B-v0.1 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 GeForce RTX 5090 641,4 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 629,5 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 559,4 tok/s★ NVIDIA GeForce RTX 3090 Ti 325,2 tok/s dieser LaufNVIDIA GeForce RTX 5070 Ti 62,9 tok/s

CPUnach Prozessor

AMD Ryzen 7 5800X3D 8-Core Processor 641,4 tok/sAMD Ryzen 9 9950X 16-Core Processor 629,5 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 559,4 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 325,2 tok/s★ AMD Ryzen 5 5600X 6-Core Processor 277,9 tok/s dieser LaufAMD Ryzen Threadripper PRO 5975WX 32-Cores 62,9 tok/s

MBnach Mainboard

ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 641,4 tok/sASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 629,5 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 559,4 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 325,2 tok/s★ ASUSTeK COMPUTER INC. PRIME A520M-K 277,9 tok/s dieser LaufASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 62,9 tok/s

ENGnach Engine

llama.cpp 641,4 tok/s★ vLLM 277,9 tok/s dieser Laufunbekannt 214,1 tok/s

DRVnach Treiber

unbekannt 641,4 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (10× 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 25 W

⚡ TDP 450 W

☁️ Externes LLM (API) anzeigen

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

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)450 W geschätzt (TDP)GPU 450 W Volllast

Ø-Kosten / Stunde0,14 EUR

Strom / 1 Mio. Token0,13 EUR

Token / kWh2,22 Mio.

Anschaffung (System)1.149 EUR TeilpreisGPU 999 EUR · Netzteil 150 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)3.514 EUR

Output-Token (2 Jahre)17,53 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 (25 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

	Codestral-22B-v0.1NVIDIA GeForce RTX 3090 Ti	Codestral-22B-v0.1NVIDIA GeForce RTX 5090	Codestral-22B-v0.1NVIDIA RTX PRO 6000 Blackwell Workstation Edition	Codestral-22B-v0.13x 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 GeForce RTX 3090 Ti · dieser Lauf 278 tok/s NVIDIA GeForce RTX 5090 641 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 629 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 559 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

Marcel Sommer

@marcelsommer