Contributed byMario AlkaZ.ai (Zhipu) glm-5.2-colibri
Performance benchmark · measured on 09.08.2026 01:31
run-20260809-101924-7f09d0Performance benchmark · Primary metric: Generation-Speed (tok/s) · 1× concurrent
Wie schlägt sich dieser Benchmark mit anderen Modellen?
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: vLLM
Quantization: -
Model: glm-5.2-colibri
Anmerkung
Startpfad am 17.08.2026 korrigiert: Messung war GLM-5.2-Colibri (vom Betreiber bestaetigt).
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. | vllm |
| Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen. | Qwen/Qwen3.6-27B |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 65536 |
| Python-Modul?Startet vLLM als Python-Modul (python -m vllm.entrypoints.openai.api_server). Der folgende Wert ist der Modulname. | vllm.entrypoints.openai.api_server |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | Qwen/Qwen3.6-27B |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | Qwen/Qwen3.6-27B |
| 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'. | 0.90 |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 65536 |
| Generation-Config?Quelle der Default-Sampling-Parameter (auto/vllm oder Pfad). Steuert die vom Modell vorgegebenen Defaults fuer temperature/top_p usw. | vllm |
| Nur-Sprachmodell?Laedt bei multimodalen Modellen nur den Sprachteil. Spart VRAM, deaktiviert aber Bild-/Audio-Eingabe. | aktiv |
| Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken). | qwen3 |
| Auto-Tool-Choice?Erlaubt dem Modell, Tools (Function-Calling) selbststaendig auszuwaehlen. MUSS aktiv sein, damit 'tools' im Request akzeptiert werden - sonst lehnt vLLM sie mit HTTP 400 ab. | aktiv |
| Tool-Parser?Bestimmt, wie vLLM Tool-Aufrufe aus der Modellantwort ausliest (z.B. hermes, mistral, llama3_json). Muss zum Modell passen. | qwen3_coder |
glm-5.2-colibri 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.
DRVby driver
Economics of this run
Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (1× 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
| glm-5.2-colibriNVIDIA RTX PRO 6000 Blackwell Workstation Edition | glm-5.2-colibriNVIDIA RTX PRO 6000 Blackwell Workstation Edition | glm-5.2-colibriNVIDIA RTX PRO 6000 Blackwell Workstation Edition | glm-5.2-colibriNVIDIA RTX PRO 6000 Blackwell Workstation Edition | |
|---|---|---|---|---|
| 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.