Runtime: godclaw
Quantization: INT8
Operating system: Ubuntu 26.04 LTS (Kernel 7.0.0-27-generic)
Driver: AMD 7.0.0-27-generic
Model: gemma-4-31B-it

Configuration

benchmark-konfiguration — run-20260722-165903-2ed6be

# LLM-Benchmark Konfiguration # Modell : gemma-4-31B-it # Run-ID : run-20260722-165903-2ed6be # GPU : 3x AMD Radeon AI PRO R9700 # CPU : 32x AMD Ryzen Threadripper PRO 7955WX 16-Cores # RAM : 184 GB bench@llm-benchmark:~$ cat benchmark.conf Konfigurationspfad nameistoken/Gemma-4-31B-it-Quark-W8A8-INT8 Engine vllm Modellalias gemma-4-31b-it-int8 Kontextlaenge 4096 Tensor-Parallel 1 Pipeline-Parallel 3 Dtype auto GPU-Speicher 0.92 Enforce-Eager aktiv 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.	gemma-4-31b-it-int8
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	4096
Alias?Name, unter dem vLLM das Modell in der API anbietet. Der Client muss im Request-Feld 'model' exakt diesen Namen senden.	gemma-4-31b-it-int8
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
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.	auto
Kontext?Maximale Kontextlaenge in Tokens (Eingabe + Ausgabe zusammen). Begrenzt, wie gross eine einzelne Anfrage sein darf.	4096
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
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
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
Host?Netzwerk-Adresse, an die der API-Server bindet. 0.0.0.0 = auf allen Netzwerk-Schnittstellen erreichbar.	0.0.0.0
Port?TCP-Port, auf dem der API-Server lauscht (bei vLLM standardmaessig 8000).	8000

All benchmarks of this model To leaderboard

Model comparison

gemma-4-31B-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 GeForce RTX 3090 Ti 174,1 tok/sAMD Radeon PRO W7900 Dual Slot 101,9 tok/s★ AMD Radeon AI PRO R9700 24,4 tok/s this run

CPUby processor

AMD Ryzen 5 5600X 6-Core Processor 174,1 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 101,9 tok/s★ AMD Ryzen Threadripper PRO 7955WX 16-Cores 24,4 tok/s this runAMD Ryzen 9 8945HX with Radeon Graphics 19,5 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. PRIME A520M-K 174,1 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 101,9 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 24,4 tok/s this runMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 19,5 tok/s

ENGby engine

unbekannt 174,1 tok/sllama.cpp 101,9 tok/svLLM 24,4 tok/sllm 19,5 tok/s

DRVby driver

unbekannt 174,1 tok/s★ AMD 7.0.0-27-generic 24,4 tok/s this run

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (1× concurrent). Methodology →

⚙️ ConfigurationAll metrics and charts below follow these settings – based on a 24-month runtime.Save to URL Reset

⚡ Electricity price EUR/kWh

⚙️ System utilization 100 %

🖥️ Acquisition EUR

🔌 Idle 125 W

⚡ TDP 971 W

☁️ External LLM (API) show

Input €/1M Output €/1M Input per output token

Electricity0.30 EUR/kWh

Avg power (incl. idle)971 W estimated (TDP)GPU 900 + CPU 46 + Board 25 W full load

Avg cost / hourEUR 0.29

Electricity / 1M tokensEUR 7.23

Token / kWh41.49K

Acquisition (system)EUR 9,674 full priceGPU EUR 4,200 · CPU EUR 1,399 · Board EUR 1,299 · RAM EUR 2,576 · PSU EUR 200

Electricity (2 years)–

TCO (2 years)EUR 14,778

Output tokens (2 years)705.78M

☁️ External LLM (API) – comparison

External LLM cost (2 years)–

Savings vs. external (2 years)–

All values above and the charts below take the configured system utilization into account: at X% the system generates only X% of the time, the rest it idles (125 W). Cost per hour drops (more idle), cost per token rises.

Cost over 2 years – electricity only

Cost over 2 years – incl. acquisition (TCO)

Speed vs. tokens per euro

Euro per 1M tokens

Comparison vs. API – economics per benchmark

	gemma-4-31B-it3x AMD Radeon AI PRO R9700	gemma-4-31B-itNVIDIA GeForce RTX 3090 Ti	gemma-4-31B-itNVIDIA GeForce RTX 3090 Ti	gemma-4-31B-it2x AMD Radeon PRO W7900 Dual Slot
Electricity cost (24 mo.)	–	–	–	–
Acquisition cost	–	–	–	–
Total cost (TCO)	–	–	–	–
Generated tokens (24 mo.)	–	–	–	–
Token price via API	–	–	–	–
Break-even point (days)	–	–	–	–
Result (savings / extra cost)	–	–	–	–

3× AMD Radeon AI PRO R9700 · this run 11 tok/s NVIDIA GeForce RTX 3090 Ti 30 tok/s NVIDIA GeForce RTX 3090 Ti 29 tok/s 2× AMD Radeon PRO W7900 Dual Slot 25 tok/s

Comparison with up to 3 next-best runs of this model at the same concurrency (at least one on different hardware). Power = GPU TDP + CPU (idle + 15 %) + board (estimated), acquisition = full system (GPU + CPU + board + RAM + PSU), prices = stored market prices.

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.