# LLM-Benchmark Konfiguration # Modell : Nemotron-3-Nano-30B-A3B # Engine : vLLM # Run-ID : run-20260723-015517-257b16 # GPU : 3x AMD Radeon AI PRO R9700 # CPU : AMD Ryzen Threadripper PRO 7955WX 16-Cores # RAM : 184 GB bench@llm-benchmark:~$ /opt/python/bin/python /opt/python/bin/vllm serve nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 \ --served-model-name NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 \ --tensor-parallel-size 1 \ --pipeline-parallel-size 3 \ --dtype auto \ --max-model-len 8192 \ --gpu-memory-utilization 0.90 \ --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.	NVIDIA-Nemotron-3-Nano-30B-A3B-BF16
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.	NVIDIA-Nemotron-3-Nano-30B-A3B-BF16
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?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'.	0.90
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

Nemotron-3-Nano-30B-A3B auf verschiedener Hardware

Alle veröffentlichten 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

NVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.773,5 tok/sNVIDIA GeForce RTX 5090 1.722,1 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.654,6 tok/sNVIDIA GeForce RTX 3090 Ti 897,5 tok/sNVIDIA RTX A6000 756,7 tok/sNVIDIA GeForce RTX 5070 Ti 263,3 tok/s★ AMD Radeon AI PRO R9700 217,4 tok/s dieser LaufNVIDIA GB10 (DGX Spark) 58,3 tok/sNVIDIA GeForce RTX 2060 6,6 tok/s

CPUnach Prozessor

AMD Ryzen 9 9950X 16-Core Processor 1.773,5 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.722,1 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.654,6 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 897,5 tok/s★ AMD Ryzen Threadripper PRO 7955WX 16-Cores 756,7 tok/s dieser LaufAMD Ryzen 5 5600X 6-Core Processor 404,7 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 263,3 tok/sNVIDIA Grace 58,3 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 6,6 tok/s

MBnach Mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.773,5 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.722,1 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.654,6 tok/s dieser LaufMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 897,5 tok/sASUSTeK COMPUTER INC. PRIME A520M-K 404,7 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 263,3 tok/sASUSTeK COMPUTER INC. GX10 58,3 tok/sDell Inc. PowerEdge R820 6,6 tok/s

ENGnach Engine

llama.cpp 1.773,5 tok/s★ vLLM 588,5 tok/s dieser Laufunbekannt 404,7 tok/s

DRVnach Treiber

unbekannt 1.773,5 tok/sNVIDIA 590.48.01 / CUDA 13.1 58,3 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (1× parallel). Methodik →

⚙️ KonfigurationAlle Kennzahlen und Diagramme unten folgen diesen Einstellungen – bezogen auf 24 Monate Laufzeit.In URL übernehmen Zurücksetzen

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 125 W

⚡ TDP 971 W

☁️ Externes LLM (API) anzeigen

Input €/1M Output €/1M Input je Output-Token

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)971 W geschätzt (TDP)GPU 900 + CPU 46 + Board 25 W Volllast

Ø-Kosten / Stunde0,29 EUR

Strom / 1 Mio. Token2,11 EUR

Token / kWh142,00 Tsd.

Anschaffung (System)9.674 EUR VollpreisGPU 4.200 EUR · CPU 1.399 EUR · Board 1.299 EUR · RAM 2.576 EUR · Netzteil 200 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)14.778 EUR

Output-Token (2 Jahre)2,42 Mrd.

☁️ Externes LLM (API) – Vergleich

Externe LLM-Kosten (2 Jahre)–

Ersparnis vs. extern (2 Jahre)–

Alle Werte oben und die Diagramme unten berücksichtigen die eingestellte System-Auslastung: bei X % generiert das System nur X % der Zeit, die restliche Zeit läuft es im Idle (125 W). Kosten pro Stunde sinken dadurch (mehr Idle), Kosten je Token steigen.

Kosten über 2 Jahre – nur Strom

Kosten über 2 Jahre – inkl. Anschaffung (TCO)

Geschwindigkeit vs. Token pro Euro

Euro pro 1 Mio. Token

Vergleich zur API – Wirtschaftlichkeit je Benchmark

	Nemotron-3-Nano-30B-A3B3x AMD Radeon AI PRO R9700	Nemotron-3-Nano-30B-A3BNVIDIA GeForce RTX 5090	Nemotron-3-Nano-30B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition	Nemotron-3-Nano-30B-A3B3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition
Kosten Strom (24 Mon.)	–	–	–	–
Kosten Anschaffung	–	–	–	–
Kosten Gesamt (TCO)	–	–	–	–
Generierte Token (24 Mon.)	–	–	–	–
Tokenpreis bei API	–	–	–	–
Break-Even-Point (Tage)	–	–	–	–
Ergebnis (Ersparnis / Ausgabe)	–	–	–	–

3× AMD Radeon AI PRO R9700 · dieser Lauf 38 tok/s NVIDIA GeForce RTX 5090 359 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 357 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 331 tok/s

Vergleich mit bis zu 3 nächstbesten Läufen dieses Modells bei gleicher Concurrency (mind. einer auf anderer Hardware). Leistung = GPU-TDP + CPU (Idle + 15 %) + Board (geschätzt), Anschaffung = komplettes System (GPU + CPU + Board + RAM + Netzteil), Preise = hinterlegte Marktpreise.

Beigesteuert von

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.