Created bymario-alka.dePowered bynoob2claw.detricoma.de
Beigesteuert vonMario AlkaMiniMax

minimax-m2.5-awq

Performancebenchmark · gemessen am 20.07.2026 11:25

Benchmark-IDrun-20260722-165904-a1f0cb
Performancetest Small 1.0MoE230BRuntime: vLLMQuantisierung: BF16
Generation62,70tok/s
Prefill368,13tok/s
Time to First Token144,00ms
Gesamtdauer16,48s
Concurrency1parallel
Einordnung im Feld
847von 1927 Systemen

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

Dieser Lauf ist besser als 56 % aller vergleichbaren Systeme.
Generation 62,7 tok/s
-19 % vs Ø 77,5
Prefill 368,1 tok/s
-87 % vs Ø 2.844,6
Time to First Token 144 ms
-99 % vs Ø 23.755
Verteilung im Feld0 – 471 tok/s
Ø 78 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

NVIDIA-Nemotron-3.5-Lightning-30B-A3BNVIDIA GeForce RTX 3090 · run-20261026-183943-a8c4f8
471,3 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004608-16af9b
404,6 tok/s
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-9f766a
395,2 tok/s
NVIDIA-Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-d456e7
393,5 tok/s
NVIDIA-Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-bffb11
393,5 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004607-29bd16
388,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-1c779f
388,2 tok/s
gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-6ea089
378,6 tok/s
gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-e8b129
377,6 tok/s
NVIDIA-Nemotron-3-Nano-4B3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-ac388e
362,3 tok/s
NVIDIA-Nemotron-3-Nano-4B3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-5e5085
361,4 tok/s
NVIDIA-Nemotron-3-Nano-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105335-653788
359,4 tok/s
Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA GeForce RTX 5090 · run-20260729-105334-2c4905
359,3 tok/s
Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105334-44d1e7
359,0 tok/s
minimax-m2.5-awq dieser Lauf3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260722-165904-a1f0cb
62,7 tok/s

Wie schlägt sich dieser Benchmark mit anderen GPUs?

Dasselbe Modell auf anderer Hardware · 1× parallel · Generation (tok/s)

Hardware

GPU: 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · 96 GB VRAM
CPU: AMD Ryzen Threadripper PRO 9965WX 24-Cores
RAM: 125 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE

Setup

Runtime: vLLM
Quantisierung: BF16
Modell: minimax-m2.5-awq

Konfiguration

benchmark-konfiguration — run-20260722-165904-a1f0cb
# LLM-Benchmark Konfiguration # Modell : minimax-m2.5-awq # Engine : vLLM # Run-ID : run-20260722-165904-a1f0cb # GPU : 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition # CPU : AMD Ryzen Threadripper PRO 9965WX 24-Cores # RAM : 125 GB bench@llm-benchmark:~$ /usr/bin/python3 /usr/local/bin/vllm serve \ --model mratsim/MiniMax-M2.5-BF16-INT4-AWQ \ --served-model-name MiniMax-M2.5 \ --tensor-parallel-size 1 \ --pipeline-parallel-size 3 \ --max-model-len 164000 \ --gpu-memory-utilization 0.90 \ --load-format safetensors \ --trust-remote-code \ --enforce-eager \ --disable-custom-all-reduce \ --enable-auto-tool-choice \ --tool-call-parser minimax_m2 \ --reasoning-parser minimax_m2_append_think
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.MiniMax-M2.5
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.164000
Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird.mratsim/MiniMax-M2.5-BF16-INT4-AWQ
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.MiniMax-M2.5
Tensor-Parallel?Anzahl GPUs, auf die JEDER einzelne Modell-Layer aufgeteilt wird (Tensor-Parallelitaet). Mehr GPUs = mehr VRAM und meist mehr Speed, aber die Anzahl der Attention-Heads muss durch diesen Wert teilbar sein (z.B. 32 Heads -> nur 1, 2, 4, 8 ... moeglich, NICHT 3).1
Pipeline-Parallel?Anzahl GPUs, auf die die Modell-Layer der Reihe nach (als Pipeline) verteilt werden. Nutzt mehrere GPUs OHNE Teilbarkeits-Anforderung der Heads; erhoeht vor allem Kapazitaet und Durchsatz, die Latenz einer einzelnen Anfrage aber nicht zwingend.3
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.164000
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
Load-Format?Format, aus dem die Gewichte geladen werden (auto, safetensors, pt ...). 'auto' erkennt es selbst.safetensors
Trust-Remote-Code?Erlaubt vLLM, mit dem Modell mitgelieferten Python-Code auszufuehren. Noetig fuer Architekturen, die vLLM nicht von Haus aus kennt. Nur bei vertrauenswuerdigen Modellen aktivieren.aktiv
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
Custom-AllReduce aus?Deaktiviert den custom All-Reduce-Kernel bei Multi-GPU und faellt auf NCCL zurueck. Hilft bei Stabilitaetsproblemen mit Tensor-Parallelismus.aktiv
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.minimax_m2
Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken).minimax_m2_append_think

Alle Benchmarks dieses Modells Zum Leaderboard

Anzeige
Modell-Vergleich

minimax-m2.5-awq 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

12510484,163,943,602.0014.0036.004Prefill (tok/s)Generation (tok/s)NVIDIA DGX SPARK (GB10) - 105,6 tok/s Generation, 4.881 tok/s Prefill, TTFT 3.013 ms (3 Laufe)NVIDIA DGX SPARK (GB1...AMD Radeon AI PRO R9700 - 66,1 tok/s Generation, 270 tok/s Prefill, TTFT 21.132 ms (5 Laufe)AMD Radeon AI PRO R97...NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition - 62,7 tok/s Generation, 368 tok/s Prefill, TTFT 144 ms (2 Laufe) | DIESER LAUF★ NVIDIA RTX PRO 6000 B...
NVIDIA DGX SPARK (GB10) 105,6 tok/sAMD Radeon AI PRO R9700 66,1 tok/s★ NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 62,7 tok/s dieser Lauf

CPUnach Prozessor

12510484,163,943,602.0014.0036.004Prefill (tok/s)Generation (tok/s)NVIDIA Grace - 105,6 tok/s Generation, 4.881 tok/s Prefill, TTFT 3.013 ms (3 Laufe)NVIDIA GraceAMD Ryzen Threadripper PRO 7955WX 16-Cores - 66,1 tok/s Generation, 270 tok/s Prefill, TTFT 21.132 ms (5 Laufe)AMD Ryzen Threadrippe...AMD Ryzen Threadripper PRO 9965WX 24-Cores - 62,7 tok/s Generation, 368 tok/s Prefill, TTFT 144 ms (2 Laufe) | DIESER LAUF★ AMD Ryzen Threadrippe...
NVIDIA Grace 105,6 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 66,1 tok/s★ AMD Ryzen Threadripper PRO 9965WX 24-Cores 62,7 tok/s dieser Lauf

MBnach Mainboard

12510484,163,943,602.0004.0016.001Prefill (tok/s)Generation (tok/s)ASUSTeK COMPUTER INC. GX10 - 105,6 tok/s Generation, 4.881 tok/s Prefill, TTFT 3.013 ms (3 Laufe)ASUSTeK COMPUTER INC....unbekannt - 62,7 tok/s Generation, 368 tok/s Prefill, TTFT 144 ms (1 Lauf)unbekanntASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE - 66,1 tok/s Generation, 286 tok/s Prefill, TTFT 16.934 ms (6 Laufe) | DIESER LAUF★ ASUSTeK COMPUTER INC....
ASUSTeK COMPUTER INC. GX10 105,6 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 66,1 tok/s dieser Laufunbekannt 62,7 tok/s

ENGnach Engine

12510484,163,943,601.0642.1273.191Prefill (tok/s)Generation (tok/s)llama.cpp - 66,1 tok/s Generation, 294 tok/s Prefill, TTFT 21.346 ms (2 Laufe)llama.cppunbekannt - 62,7 tok/s Generation, 244 tok/s Prefill, TTFT 10.745 ms (2 Laufe)unbekanntvLLM - 105,6 tok/s Generation, 2.609 tok/s Prefill, TTFT 8.503 ms (6 Laufe) | DIESER LAUF★ vLLM
★ vLLM 105,6 tok/s dieser Laufllama.cpp 66,1 tok/sunbekannt 62,7 tok/s

DRVnach Treiber

13610268,034,00,002.0104.0216.031Prefill (tok/s)Generation (tok/s)NVIDIA 590.48.01 / CUDA 13.1 - 105,6 tok/s Generation, 4.881 tok/s Prefill, TTFT 3.013 ms (3 Laufe)NVIDIA 590.48.01 / CU...unbekannt - 66,1 tok/s Generation, 320 tok/s Prefill, TTFT 15.831 ms (5 Laufe)unbekanntNVIDIA 580.159.04 / CUDA 13.0 - 62,7 tok/s Generation, 368 tok/s Prefill, TTFT 144 ms (1 Lauf)NVIDIA 580.159.04 / C...AMD 7.0.0-27-generic - 6,5 tok/s Generation, 119 tok/s Prefill, TTFT 21.346 ms (1 Lauf)AMD 7.0.0-27-generic
NVIDIA 590.48.01 / CUDA 13.1 105,6 tok/sunbekannt 66,1 tok/sNVIDIA 580.159.04 / CUDA 13.0 62,7 tok/sAMD 7.0.0-27-generic 6,5 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 %
🖥️ Anschaffung EUR
🔌 Idle 165 W
⚡ TDP 983 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)983 W geschätzt (TDP)GPU 900 + CPU 57 + Board 25 W Volllast
Ø-Kosten / Stunde0,29 EUR
Strom / 1 Mio. Token1,31 EUR
Token / kWh229,74 Tsd.
Anschaffung (System)45.748 EUR VollpreisGPU 39.000 EUR · CPU 3.499 EUR · Board 1.299 EUR · RAM 1.750 EUR · Netzteil 200 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)50.912 EUR
Output-Token (2 Jahre)3,95 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 (165 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

minimax-m2.5-awq3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionminimax-m2.5-awq3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionminimax-m2.5-awqNVIDIA DGX SPARK (GB10)minimax-m2.5-awqAMD Radeon AI PRO R9700
Kosten Strom (24 Mon.)––––
Kosten Anschaffung––––
Kosten Gesamt (TCO)––––
Generierte Token (24 Mon.)––––
Tokenpreis bei API––––
Break-Even-Point (Tage)––––
Ergebnis (Ersparnis / Ausgabe)––––

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.