Created bymario-alka.dePowered bygodcore.denoob2claw.detricoma.de
DEEN
Anmelden Registrieren
Beta
Beigesteuert vonMario AlkaQwen (Alibaba)

Qwen2.5-0.5B-Instruct

Performancebenchmark · gemessen am 08.10.2026 01:34

Benchmark-IDrun-20261019-173616-347dcc
Timebench 3 - Kombi (Prefill + Generation)DenseRuntime: llama.cppQuantisierung: Q4_K_M
ℹ
Öffentliche Anmerkung: Arduino Q (ventunoq) . ARM RK3588 8-Core (4x Cortex-A78C + 4x Cortex-A55) . 14 GB RAM . llama.cpp CPU (Edge-Geraet)
Generation11,74tok/s
Prefill84,55tok/s
Time to First Token29.146,00ms
Gesamtdauer163,32s
Concurrency1parallel
Einordnung im Feld
Diese GPUAlle GPUs
3von 35 Systemen

Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel

Dieser Lauf ist besser als 94 % aller vergleichbaren Systeme.
Generation 11,7 tok/s
+129 % vs Ø 5,1
Prefill 84,6 tok/s
+62 % vs Ø 52,0
Time to First Token 29.146 ms
-68 % vs Ø 92.362
Verteilung im Feld1 – 28 tok/s
Ø 5 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

Hardware

GPU: Keine GPU (CPU-only)
CPU: 4 x Cortex-A78C + 4 x Cortex-A55
RAM: 15 GB

Setup

Runtime: llama.cpp
Quantisierung: Q4_K_M
Modell: Qwen2.5-0.5B-Instruct

Konfiguration

benchmark-konfiguration — run-20261019-173616-347dcc
# LLM-Benchmark Konfiguration # Modell : Qwen2.5-0.5B-Instruct # Engine : llama.cpp # Run-ID : run-20261019-173616-347dcc # GPU : Keine GPU (CPU-only) # CPU : 4 x Cortex-A78C + 4 x Cortex-A55 # RAM : 15 GB bench@llm-benchmark:~$ llama-server \ -m qwen2.5-0.5b-instruct-q4_k_m.gguf \ --alias Qwen2.5-0.5B-Instruct \ -ngl 0 \ -t 8 \ -c 40960 \ -np 10 '(ARM' RK3588 'CPU)'
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.Qwen2.5-0.5B-Instruct
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.40960
Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird.qwen2.5-0.5b-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.0
Threads?Anzahl CPU-Threads fuer die Token-Generierung (Decode).8
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.40960
np10
execution_typelocal

Alle Benchmarks dieses Modells Zum Leaderboard

Anzeige
Modell-Vergleich

Qwen2.5-0.5B-Instruct 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

21,620,619,618,717,7122127133138Prefill (tok/s)Generation (tok/s)CPU-only - 19,6 tok/s Generation, 130 tok/s Prefill, TTFT 103.850 ms (3 Laufe) | DIESER LAUF★ CPU-only
★ CPU-only 19,6 tok/s dieser Lauf

CPUnach Prozessor

21,620,619,618,717,7122127133138Prefill (tok/s)Generation (tok/s)4 x Cortex-A78C + 4 x Cortex-A55 - 19,6 tok/s Generation, 130 tok/s Prefill, TTFT 103.850 ms (3 Laufe) | DIESER LAUF★ 4 x Cortex-A78C + 4 x...
★ 4 x Cortex-A78C + 4 x Cortex-A55 19,6 tok/s dieser Lauf

MBnach Mainboard

21,620,619,618,717,7122127133138Prefill (tok/s)Generation (tok/s)unbekannt - 19,6 tok/s Generation, 130 tok/s Prefill, TTFT 103.850 ms (3 Laufe)unbekannt
unbekannt 19,6 tok/s

ENGnach Engine

21,620,619,618,717,7122127133138Prefill (tok/s)Generation (tok/s)llama.cpp - 19,6 tok/s Generation, 130 tok/s Prefill, TTFT 103.850 ms (3 Laufe) | DIESER LAUF★ llama.cpp
★ llama.cpp 19,6 tok/s dieser Lauf

DRVnach Treiber

21,620,619,618,717,7122127133138Prefill (tok/s)Generation (tok/s)unbekannt - 19,6 tok/s Generation, 130 tok/s Prefill, TTFT 103.850 ms (3 Laufe)unbekannt
unbekannt 19,6 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 übernehmenZurücksetzen
⚡ Strompreis EUR/kWh
⚙️ System-Auslastung 100 %
🔌 Idle 0 W
⚡ TDP 10 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)0 W fehlt
Ø-Kosten / Stunde–
Strom / 1 Mio. Token–
Token / kWh–
Anschaffung (System)– Teilpreis
Stromkosten (2 Jahre)–
TCO (2 Jahre)–
Output-Token (2 Jahre)740,47 Mio.
☁️ 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

Vergleich zur API – Wirtschaftlichkeit je Benchmark

Qwen2.5-0.5B-InstructKeine GPU (CPU-only)
Kosten Strom (24 Mon.)–
Kosten Anschaffung–
Kosten Gesamt (TCO)–
Generierte Token (24 Mon.)–
Tokenpreis bei API–
Break-Even-Point (Tage)–
Ergebnis (Ersparnis / Ausgabe)–
Keine GPU (CPU-only) · dieser Lauf 12 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.