Beigesteuert vonMario AlkaNVIDIA Nemotron-Cascade-2-30B-A3B
Performancebenchmark · gemessen am 23.07.2026 01:05
Benchmark-ID
run-20260723-015520-bcae87Timebench 3 - Kombi (Prefill + Generation)MoE30BRuntime: llama.cppQuantisierung: Q4_K_M
Generation5,33tok/s
Prefill73,59tok/s
Time to First Token150.608,50ms
Gesamtdauer600,00s
Concurrency5parallel
Einordnung im Feld
1181von 1224 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 5× parallel
Dieser Lauf ist besser als 4 % aller vergleichbaren Systeme.
Generation
5,3 tok/s
-98 % vs Ø 261,0
Prefill
73,6 tok/s
-99 % vs Ø 5.346,4
Time to First Token
150.609 ms
+402 % vs Ø 29.991
Verteilung im Feld0 – 1.349 tok/s
Wie schlägt sich dieser Benchmark mit anderen Modellen?
gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-0adf6d
1.349,3 tok/s
gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-5b4937
1.301,9 tok/s
gemma-4-E2B-it3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-184456-4111a9
1.195,7 tok/s
Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-30d864
1.188,7 tok/s
Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-5432cd
1.164,8 tok/s
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260728-140954-9e81f9
1.136,3 tok/s
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-09627f
1.135,0 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-058a31
1.113,5 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-836a91
1.090,6 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260727-181606-8b381e
1.077,4 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-b8a818
1.071,0 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-038e92
1.051,1 tok/s
gpt-oss-20b3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260729-032121-ffb18a
1.015,5 tok/s
Nemotron-3-Nano-30B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260729-032121-305ad6
1.007,8 tok/s
Nemotron-Cascade-2-30B-A3B dieser Lauf2× NVIDIA GeForce RTX 2060 · run-20260723-015520-bcae87
5,3 tok/s
Wie schlägt sich dieser Benchmark mit anderen GPUs?
Dasselbe Modell auf anderer Hardware · 5× parallel · Generation (tok/s)
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260729-032120-4b8514
1.007,3 tok/s
NVIDIA GeForce RTX 5090run-20260729-105335-0bddc4
986,1 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-86d336
928,5 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-9ec82f
927,0 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-5f0479
899,2 tok/s
NVIDIA GeForce RTX 3090 Tirun-20260729-060801-024b7c
548,8 tok/s
2× NVIDIA RTX A6000run-20260828-101910-1f54d7
436,9 tok/s
2× NVIDIA RTX A6000run-20260830-051029-47efd6
435,4 tok/s
NVIDIA RTX A6000run-20260826-211811-5535e4
415,3 tok/s
AMD Radeon 8060S Graphicsrun-20260820-184209-fe3575
326,9 tok/s
NVIDIA RTX A6000run-20260827-010402-caea42
256,3 tok/s
NVIDIA RTX A6000run-20260826-062050-7a1112
219,8 tok/s
2× NVIDIA RTX A6000run-20260828-080811-de3327
217,1 tok/s
2× NVIDIA RTX A6000run-20260829-212822-224665
216,8 tok/s
Hardware
GPU: 2x NVIDIA GeForce RTX 2060 · 6 GB VRAM
CPU: 4x Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz
RAM: 504 GB
Mainboard: Dell Inc. PowerEdge R820
Setup
Runtime: llama.cpp
Quantisierung: Q4_K_M
Modell: Nemotron-Cascade-2-30B-A3B
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : Nemotron-Cascade-2-30B-A3B
# Engine : llama.cpp
# Run-ID : run-20260723-015520-bcae87
# GPU : 2x NVIDIA GeForce RTX 2060
# CPU : 4x Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz
# RAM : 504 GB
bench@llm-benchmark:~$ /opt/llama.cpp/build/bin/llama-server \
-m /opt/models/Nemotron-Cascade-2-30B-A3B-Q4_K_M.gguf \
-a Nemotron-Cascade-2-30B-A3B \
--host 0.0.0.0 \
--port 8080 \
--numa distribute \
-t 64 \
-tb 64 \
-c 8192 \
--parallel 4
| 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. | Nemotron-Cascade-2-30B-A3B |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 8192 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | /opt/models/Nemotron-Cascade-2-30B-A3B-Q4_K_M.gguf |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | Nemotron-Cascade-2-30B-A3B |
| NUMA?NUMA-Optimierung fuer Multi-Socket-CPUs: distribute/isolate/numactl. Verbessert die Speicherlokalitaet. | distribute |
| Threads?Anzahl CPU-Threads fuer die Token-Generierung (Decode). | 64 |
| Batch-Threads?Anzahl CPU-Threads fuer Prompt-Verarbeitung und Batch (Prefill). | 64 |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 8192 |
| Parallel?Anzahl paralleler Slots/Sequenzen, die der Server gleichzeitig bedient. Der Kontext wird auf die Slots aufgeteilt. | 4 |
Anzeige
Modell-Vergleich
Nemotron-Cascade-2-30B-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 1.768,1 tok/sNVIDIA GeForce RTX 5090 1.719,2 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.655,2 tok/sNVIDIA GeForce RTX 3090 Ti 897,5 tok/sNVIDIA RTX A6000 723,7 tok/sAMD Radeon 8060S Graphics 326,9 tok/sNVIDIA GeForce RTX 5070 Ti 262,4 tok/sNVIDIA GB10 (DGX Spark) 148,8 tok/sAMD Radeon AI PRO R9700 122,1 tok/s★ NVIDIA GeForce RTX 2060 5,9 tok/s dieser Lauf
CPUnach Prozessor
AMD Ryzen 9 9950X 16-Core Processor 1.768,1 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.719,2 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.655,2 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 897,5 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 723,7 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 326,9 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 262,4 tok/sAMD Ryzen 9 7945HX with Radeon Graphics 219,6 tok/sNVIDIA Grace 148,8 tok/s★ Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 5,9 tok/s dieser Lauf
MBnach Mainboard
ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.768,1 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.719,2 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.655,2 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 897,5 tok/sBosgame AXB35-02 (BeyondMax Series) 326,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 262,4 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 219,6 tok/sASUSTeK COMPUTER INC. GX10 148,8 tok/s★ Dell Inc. PowerEdge R820 5,9 tok/s dieser Lauf
DRVnach Treiber
unbekannt 1.768,1 tok/sNVIDIA 590.48.01 / CUDA 13.1 148,8 tok/s
💰 Economics
Wirtschaftlichkeit dieses Laufs
Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (5× parallel). Methodik →
⚙️ KonfigurationAlle Kennzahlen und Diagramme unten folgen diesen Einstellungen – bezogen auf 24 Monate Laufzeit.In URL übernehmenZurücksetzen
⚡ Strompreis
EUR/kWh
⚙️ System-Auslastung
100 %
🖥️ Anschaffung
EUR
🔌 Idle
55 W
⚡ TDP
359 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)359 W geschätzt (TDP)GPU 320 + CPU 29 + Board 10 W Volllast
Ø-Kosten / Stunde0,11 EUR
Strom / 1 Mio. Token5,61 EUR
Token / kWh53,49 Tsd.
Anschaffung (System)2.425 EUR TeilpreisGPU 220 EUR · CPU 39 EUR · RAM 2.016 EUR · Netzteil 150 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)4.311 EUR
Output-Token (2 Jahre)336,17 Mio.
☁️ 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 (55 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-Cascade-2-30B-A3B2x NVIDIA GeForce RTX 2060 | Nemotron-Cascade-2-30B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition | Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 | Nemotron-Cascade-2-30B-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) | – | – | – | – |
2× NVIDIA GeForce RTX 2060 · dieser Lauf 5 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.007 tok/sNVIDIA GeForce RTX 5090 986 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 929 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.