Beigesteuert vonMario AlkaZ.ai (Zhipu)GLM-4.5-Air
Performancebenchmark · gemessen am 23.07.2026 05:13
Benchmark-ID
run-20260723-055734-adc759Timebench 3 - Kombi (Prefill + Generation)MoE106BRuntime: llama.cppQuantisierung: Q4_K_M
Generation2,13tok/s
Prefill17,96tok/s
Time to First Token117.963,00ms
Gesamtdauer600,00s
Concurrency1parallel
Einordnung im Feld
584von 597 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s)
Dieser Lauf ist besser als 2 % aller vergleichbaren Systeme.
Generation
2,1 tok/s
-99 % vs Ø 244,1
Prefill
18,0 tok/s
-100 % vs Ø 5.353,8
Time to First Token
117.963 ms
+797 % vs Ø 13.148
Verteilung im Feld0 – 1.444 tok/s
Wie schlägt sich dieser Benchmark?
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-194447-dc199d
1.443,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004604-1c9023
1.386,8 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260723-045447-edeed3
1.295,3 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004606-ebf474
1.070,6 tok/s
Qwen3-VL-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004607-c49303
1.028,5 tok/s
Ministral-3-14B-Reasoning-2512NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-195749-eebab2
1.015,7 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA GeForce RTX 5090 · run-20260723-045450-366dae
966,2 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004604-860045
961,5 tok/s
Codestral-22B-v0.1NVIDIA GeForce RTX 5090 · run-20260724-004612-002f8b
945,4 tok/s
Devstral-Small-2-24B-Instruct-2512NVIDIA GeForce RTX 5090 · run-20260724-004615-7fac5f
924,8 tok/s
Qwen3-Omni-30B-A3B-ThinkingNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004611-a583d6
910,7 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GeForce RTX 5090 · run-20260723-045450-e8df4d
909,3 tok/s
Qwen3-30B-A3B-Thinking-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004605-f9a3a1
906,0 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GeForce RTX 3090 Ti · run-20260724-004603-3aec22
901,9 tok/s
GLM-4.5-Air dieser LaufKeine GPU (CPU-only) · run-20260723-055734-adc759
2,1 tok/s
Hardware
GPU: Keine GPU (CPU-only)
CPU: 51x Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz
RAM: 504 GB
Mainboard: Dell Inc. PowerEdge R820
Setup
Runtime: llama.cpp
Quantisierung: Q4_K_M
Betriebssystem: Ubuntu 24.04.3 LTS (Kernel 7.0.0-28-generic)
Modell: GLM-4.5-Air
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : GLM-4.5-Air
# Engine : llama.cpp
# Run-ID : run-20260723-055734-adc759
# GPU : Keine GPU (CPU-only)
# CPU : 51x Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz
# RAM : 504 GB
bench@llm-benchmark:~$ /opt/llama.cpp/build/bin/llama-server \
-m /opt/models/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \
--host 10.220.231.216 \
--port 8081 \
--numa distribute \
-t 64 \
-tb 64 \
-c 8192
| 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 |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 8192 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | /opt/models/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf |
| NUMA?NUMA-Optimierung fuer Multi-Socket-CPUs: distribute/isolate/numactl. Verbessert die Speicherlokalitaet. | distribute |
| Threads?Anzahl CPU-Threads fuer die Token-Generierung (Decode). | 64 |
| Batch-Threads?Anzahl CPU-Threads fuer Prompt-Verarbeitung und Batch (Prefill). | 64 |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 8192 |
Modell-Vergleich
GLM-4.5-Air auf verschiedener Hardware
Alle veroeffentlichten 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
AMD Radeon AI PRO R9700 104,1 tok/sNVIDIA GeForce RTX 5090 6,2 tok/s★ CPU-only 2,1 tok/s dieser Lauf
CPUnach Prozessor
AMD Ryzen Threadripper PRO 7955WX 16-Cores 104,1 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 6,2 tok/s★ Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 2,1 tok/s dieser Lauf
MBnach Mainboard
ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 104,1 tok/sunbekannt 6,2 tok/s★ Dell Inc. PowerEdge R820 2,1 tok/s dieser Lauf
ENGnach Engine
★ llama.cpp 104,1 tok/s dieser LaufvLLM 9,1 tok/s
DRVnach Treiber
AMD 7.0.0-27-generic 104,1 tok/sNVIDIA 580.159.03 / CUDA 13.0 6,2 tok/sunbekannt 2,1 tok/s
Beigesteuert von
Mario Alka Administrator
@marioalka
Gruender von godcore.de und Betreiber von llm-benchmark.de. Ich teste KI-Sprachmodelle auf echter Hardware, messe Tempo (Token/s) und Aufgaben-Qualitaet und teile die Ergebnisse offen und reproduzierbar.