ℹ

Zur Einordnung: Teile des Modells wurden per --cpu-offload-gb=40 GB in den System-RAM ausgelagert – RAM wird als erweiterter VRAM genutzt, was den Durchsatz senken kann.

Generation5,77tok/s

Prefill324,92tok/s

Time to First Token5.900,00ms

Gesamtdauer183,27s

Concurrency1parallel

Einordnung im Feld

564von 597 Systemen

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

Dieser Lauf ist besser als 5 % aller vergleichbaren Systeme.

Generation 5,8 tok/s

-98 % vs Ø 244,1

Prefill 324,9 tok/s

-94 % vs Ø 5.353,8

Time to First Token 5.900 ms

-55 % vs Ø 13.148

Verteilung im Feld0 – 1.444 tok/s

Ø 244 Median Dieser Lauf

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

Mistral-Small-4-119B-2603 dieser LaufNVIDIA GeForce RTX 5090 · run-20260723-174504-df396b

5,8 tok/s

Hardware

GPU: NVIDIA GeForce RTX 5090 · 32 GB VRAM
CPU: 16x AMD Ryzen 7 5800X3D 8-Core Processor
RAM: 126 GB

Setup

Runtime: vLLM
Quantisierung: AWQ
Treiber: NVIDIA 580.159.03 / CUDA 13.0
Modell: Mistral-Small-4-119B-2603

Konfiguration

benchmark-konfiguration — run-20260723-174504-df396b

# LLM-Benchmark Konfiguration # Modell : Mistral-Small-4-119B-2603 # Engine : vLLM # Run-ID : run-20260723-174504-df396b # GPU : NVIDIA GeForce RTX 5090 # CPU : 16x AMD Ryzen 7 5800X3D 8-Core Processor # RAM : 126 GB bench@llm-benchmark:~$ /opt/gcs_venv/bin/python3 /opt/gcs_venv/bin/vllm serve cyankiwi/Mistral-Small-4-119B-2603-AWQ-4bit \ --served-model-name Mistral-Small-4-119B-2603 \ --dtype auto \ --max-model-len 8192 \ --gpu-memory-utilization 0.92 \ --cpu-offload-gb 40 \ --trust-remote-code \ --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.	vllm
Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen.	Mistral-Small-4-119B-2603
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	8192
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	Mistral-Small-4-119B-2603
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.	auto
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	8192
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'.	0.92
cpu-offload-gb?Menge an Modellgewichten in GiB, die in den CPU-RAM ausgelagert wird. Ermoeglicht groessere Modelle als der GPU-Speicher fasst, kostet aber Geschwindigkeit.	40
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

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Mistral-Small-4-119B-2603 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 58,5 tok/s★ NVIDIA GeForce RTX 5090 5,8 tok/s dieser Lauf

CPUnach Prozessor

AMD Ryzen Threadripper PRO 7955WX 16-Cores 58,5 tok/s★ AMD Ryzen 7 5800X3D 8-Core Processor 5,8 tok/s dieser Lauf

MBnach Mainboard

ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 58,5 tok/sunbekannt 5,8 tok/s

ENGnach Engine

llama.cpp 58,5 tok/s★ vLLM 5,8 tok/s dieser Lauf

DRVnach Treiber

AMD 7.0.0-27-generic 58,5 tok/s★ NVIDIA 580.159.03 / CUDA 13.0 5,8 tok/s dieser Lauf

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.