Gemma-4-26B-A4B-it

Harness benchmark · measured on 17.07.2026 09:49

Benchmark-IDrun-20260722-161611-4b5bb6

GodBrain MCP Deep 40 - Wissensbasis-Lebenszyklus 1.0MoE26BRuntime: godclawQuantisierung: Q8_0

ℹ

For context: Diese Plattform nutzt Unified Memory – die "VRAM" ist gemeinsamer System-RAM (APU/Superchip); das Modell teilt sich den Speicher mit dem System.

Points2.271,00von 7.580,00

Points rate29,96%

Tasks passed18von 40

Total duration982,00s

Ranking in the field

This GPU All GPUs

8of 13 systems

Harness benchmark · Primary metric: Score rate (%)

This run is better than 42 % of all comparable systems.

Score rate 30 %

-41 % vs Ø 50,4

Tasks passed 18

-13 % vs Ø 20,6

Total duration 982,0 s

-68 % vs Ø 3.076,5

Distribution in the field10 – 87 %

Ø 50 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

Devstral-Small-2-24B-Instruct-2512AMD Radeon 8060S Graphics · run-20260722-161611-5f2f86

87 %

Gemma-4-26B-A4B-it same modelAMD Radeon 8060S Graphics · run-20260722-161611-12a767

82 %

Gemma-4-26B-A4B-it same modelAMD Radeon 8060S Graphics · run-20260722-161611-9b7325

80 %

Gemma-4-26B-A4B-it same modelAMD Radeon 8060S Graphics · run-20260722-161611-0064a9

76 %

Devstral-Small-2-24B-Instruct-2512AMD Radeon 8060S Graphics · run-20260722-161611-798dcc

76 %

Gemma-4-26B-A4B-it same modelAMD Radeon 8060S Graphics · run-20260722-161611-78ff78

74 %

Devstral-Small-2-24B-Instruct-2512AMD Radeon 8060S Graphics · run-20260722-161611-23baf9

69 %

Gemma-4-26B-A4B-it this runAMD Radeon 8060S Graphics · run-20260722-161611-4b5bb6

30 %

Gemma-4-26B-A4B-it same modelAMD Radeon 8060S Graphics · run-20260722-161612-4aa240

25 %

Devstral-Small-2-24B-Instruct-2512AMD Radeon 8060S Graphics · run-20260722-161612-46dd0c

24 %

Qwen2.5-32B-Instruct-AWQAMD Radeon 8060S Graphics · run-20260722-161610-de118a

13 %

gemma-4-31B-itAMD Radeon 8060S Graphics · run-20260722-161611-227dd8

10 %

Qwen2.5-32B-Instruct-AWQAMD Radeon 8060S Graphics · run-20260722-161610-75ccf8

10 %

Hardware

GPU: AMD Radeon 8060S Graphics
CPU: AMD RYZEN AI MAX+ 395 w/ Radeon 8060S
RAM: 31 GB
Mainboard: Bosgame AXB35-02 (BeyondMax Series)

Setup

Runtime: godclaw
Quantization: Q8_0
Model: Gemma-4-26B-A4B-it

Aufgaben (40)

Task	Status	Points	Duration
Entitätstypen erkunden	passed	12 / 120	127,00 s
Rohdatentypen erkunden	passed	103 / 120	7,00 s
Wissenskategorien auflisten	passed	89 / 120	13,00 s
Aufgabenboards sichten	failed	114 / 130	7,00 s
Freitextsuche im Bestand	passed	107 / 150	19,00 s
Firma anlegen	failed	20 / 200	193,00 s
Firma wiederfinden	passed	96 / 150	22,00 s
Firma aktualisieren	passed	146 / 200	21,00 s
Person anlegen	failed	158 / 180	8,00 s
Person wiederfinden	failed	126 / 150	9,00 s
Rolle verknüpfen	failed	195 / 220	10,00 s
Rolle ändern	failed	77 / 200	48,00 s
Fakt hinterlegen	failed	125 / 200	29,00 s
Fakt wiederfinden	failed	133 / 150	7,00 s
Fakt bestätigen	failed	20 / 200	76,00 s
Beziehung herstellen	failed	188 / 220	13,00 s
Beziehung ändern	failed	128 / 180	21,00 s
Wissenskategorie anlegen	passed	128 / 180	21,00 s
Wissenseintrag anlegen	passed	135 / 250	46,00 s
Wissenseintrag suchen	passed	125 / 150	10,00 s
Wissenseintrag per ID lesen	passed	113 / 150	15,00 s
Wissenseintrag erweitern	passed	151 / 200	19,00 s
Versionsstände prüfen	passed	193 / 250	23,00 s
Board-Struktur verstehen	failed	160 / 180	8,00 s
Kachel anlegen	failed	198 / 220	9,00 s
Aufgabe anlegen	failed	190 / 220	12,00 s
Aufgabe ändern und prüfen	failed	198 / 220	9,00 s
ToDo-Liste anlegen	passed	158 / 180	9,00 s
ToDo-Punkte anlegen	passed	156 / 200	17,00 s
ToDo-Punkt abhaken	passed	156 / 200	17,00 s
Rohdatensatz anlegen	failed	172 / 200	11,00 s
Rohdaten-Status setzen	failed	172 / 200	11,00 s
Notizen sichten	passed	116 / 150	14,00 s
Mail-Integrationen sichten	passed	133 / 150	7,00 s
Aufräumen: Beziehung + Fakt	failed	190 / 220	12,00 s
Aufräumen: Rolle + Person	failed	185 / 220	14,00 s
Aufräumen: Firma	failed	167 / 200	13,00 s
Aufräumen: Wissenseintrag	passed	154 / 200	18,00 s
Aufräumen: Kanban + ToDo	failed	225 / 250	10,00 s
Endkontrolle Rückstandsfreiheit	failed	234 / 300	27,00 s

Configuration

benchmark-konfiguration — run-20260722-161611-4b5bb6

# LLM-Benchmark Konfiguration # Modell : Gemma-4-26B-A4B-it # Engine : llama.cpp # Run-ID : run-20260722-161611-4b5bb6 # GPU : AMD Radeon 8060S Graphics # CPU : AMD RYZEN AI MAX+ 395 w/ Radeon 8060S # RAM : 31 GB bench@llm-benchmark:~$ /home/godcore/llama.cpp/build-rocm/bin/llama-server \ --model /home/godcore/models/gemma4/gemma-4-26B-A4B-it-Q8_0.gguf \ --alias google/gemma-4-26B-A4B-it \ --host 0.0.0.0 \ --port 8000 \ --ctx-size 65536 \ --parallel 2 \ --gpu-layers 999 \ --flash-attn auto \ --cache-type-k q8_0 \ --cache-type-v q8_0 \ --reasoning off \ --jinja

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.	google/gemma-4-26B-A4B-it
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	65536
Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird.	/home/godcore/models/gemma4/gemma-4-26B-A4B-it-Q8_0.gguf
Parallel?Anzahl paralleler Slots/Sequenzen, die der Server gleichzeitig bedient. Der Kontext wird auf die Slots aufgeteilt.	2
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
Flash Attention?FlashAttention fuer schnellere und speichersparende Attention. Wert on/off/auto je nach Build.	auto
K-Cache-Typ?Datentyp des K-Anteils im KV-Cache (f16/q8_0/q4_0 ...). Quantisiert senkt den VRAM-Bedarf bei leichtem Qualitaetsverlust.	q8_0
V-Cache-Typ?Datentyp des V-Anteils im KV-Cache (f16/q8_0/q4_0 ...). Quantisierung braucht meist aktiviertes flash-attn.	q8_0
Reasoning?Steuert die Ausgabe bzw. das Parsing von Reasoning-/Thinking-Inhalten (z.B. --reasoning-format deepseek/none).	off
Jinja?Nutzt die im Modell eingebettete Jinja-Chat-Vorlage fuer korrekte Rollen-, Tool- und Reasoning-Formatierung.	aktiv

All benchmarks of this model To leaderboard

Model comparison

Gemma-4-26B-A4B-it on various hardware

All published performance runs of this model – each bubble a variant: position = prefill (X) × generation (Y), bubble size = number of runs. Closer to the top right = faster. ★ Marked gold = this benchmark.

GPUby graphics card

NVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.589,1 tok/sNVIDIA GeForce RTX 5090 1.540,5 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.479,9 tok/sNVIDIA GeForce RTX 5070 Ti 1.009,0 tok/sNVIDIA GeForce RTX 3090 Ti 926,2 tok/sNVIDIA RTX A6000 841,8 tok/sAMD Radeon PRO W7800 48GB 247,3 tok/s★ AMD Radeon 8060S Graphics 79,5 tok/s this run

CPUby processor

AMD Ryzen 9 9950X 16-Core Processor 1.589,1 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.540,5 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.479,9 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 1.009,0 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 926,2 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 841,8 tok/sAMD Ryzen 5 5600X 6-Core Processor 397,2 tok/s★ AMD RYZEN AI MAX+ 395 w/ Radeon 8060S 79,5 tok/s this run

MBby mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.589,1 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.540,5 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.479,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 1.009,0 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 926,2 tok/sASUSTeK COMPUTER INC. PRIME A520M-K 397,2 tok/s★ Bosgame AXB35-02 (BeyondMax Series) 79,5 tok/s this runMeigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 42,2 tok/s

ENGby engine

★ llama.cpp 1.589,1 tok/s this runvLLM 841,8 tok/sunbekannt 397,2 tok/s

DRVby driver

unbekannt 1.589,1 tok/sROCm 7.2.0 42,2 tok/s

Contributed by

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.