Contributed byMario AlkaMiniMaxMinimax-2.5
Performancebenchmark · measured on 23.07.2026 07:12
Benchmark-ID
run-20260723-114454-5d0224Timebench 3 - Kombi (Prefill + Generation)MoE230BRuntime: llama.cppQuantisierung: IQ4_NL
Generation16,49tok/s
Prefill458,24tok/s
Time to First Token73.573,00ms
Total duration238,58s
Concurrency10parallel
Einordnung im Feld
514von 597 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s)
Dieser Lauf ist besser als 14 % aller vergleichbaren Systeme.
Generation
16,5 tok/s
-93 % vs Ø 244,1
Prefill
458,2 tok/s
-91 % vs Ø 5.353,8
Time to First Token
73.573 ms
+460 % 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
Minimax-2.5 dieser Lauf3× AMD Radeon AI PRO R9700 · run-20260723-114454-5d0224
16,5 tok/s
Hardware
GPU: 3x AMD Radeon AI PRO R9700 · 32 GB VRAM
CPU: 32x AMD Ryzen Threadripper PRO 7955WX 16-Cores
RAM: 184 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE
Setup
Runtime: llama.cpp
Quantization: IQ4_NL
Operating system: Ubuntu 26.04 LTS (Kernel 7.0.0-27-generic)
Driver: AMD 7.0.0-27-generic
Model: Minimax-2.5
Configuration
# LLM-Benchmark Konfiguration
# Modell : Minimax-2.5
# Engine : llama.cpp
# Run-ID : run-20260723-114454-5d0224
# GPU : 3x AMD Radeon AI PRO R9700
# CPU : 32x AMD Ryzen Threadripper PRO 7955WX 16-Cores
# RAM : 184 GB
bench@llm-benchmark:~$ llama-server \
-m ubergarm/MiniMax-M2.5-GGUF/mainline-IQ4_NL.gguf \
-ngl 999 \
-cmoe \
-c 26624 \
--parallel 12 \
-a Minimax-2.5 \
-sm layer \
--host 0.0.0.0 \
--port 8000
| 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. | Minimax-2.5 |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 26624 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | ubergarm/MiniMax-M2.5-GGUF/mainline-IQ4_NL.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. | 999 |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 26624 |
| Parallel?Anzahl paralleler Slots/Sequenzen, die der Server gleichzeitig bedient. Der Kontext wird auf die Slots aufgeteilt. | 12 |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | Minimax-2.5 |
| Split-Mode?Verteilung ueber mehrere GPUs: none (nur eine GPU), layer (Layer aufteilen) oder row (Tensoren zeilenweise). | layer |
Model comparison
Minimax-2.5 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 18,3 tok/s dieser Lauf
CPUnach Prozessor
★ AMD Ryzen Threadripper PRO 7955WX 16-Cores 18,3 tok/s dieser Lauf
MBnach Mainboard
★ ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 18,3 tok/s dieser Lauf
ENGnach Engine
★ llama.cpp 18,3 tok/s dieser Lauf
DRVnach Treiber
★ AMD 7.0.0-27-generic 18,3 tok/s dieser Lauf
Contributed by
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.