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.

Generation6,20tok/s

Prefill382,08tok/s

Time to First Token35.624,50ms

Gesamtdauer600,00s

Concurrency5parallel

Einordnung im Feld

Diese GPU Alle GPUs

1170von 1224 Systemen

Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 5× parallel

Dieser Lauf ist besser als 4 % aller vergleichbaren Systeme.

Generation 6,2 tok/s

-98 % vs Ø 261,0

Prefill 382,1 tok/s

-93 % vs Ø 5.346,4

Time to First Token 35.625 ms

+19 % vs Ø 29.991

Verteilung im Feld0 – 1.349 tok/s

Ø 261 Median Dieser Lauf

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

GLM-4.5-Air dieser LaufNVIDIA GeForce RTX 5090 · run-20260723-142100-c471d1

6,2 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-20260728-034053-6362fd

369,7 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260727-193100-029497

339,7 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032119-070d23

338,7 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032119-e6d74e

327,7 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032118-b171cb

300,0 tok/s

2× NVIDIA RTX A6000run-20260830-061630-a10f8e

197,3 tok/s

2× NVIDIA RTX A6000run-20260827-224816-a602a4

188,1 tok/s

2× AMD Radeon PRO W7900 Dual Slotrun-20260818-073335-4d9768

83,9 tok/s

AMD Radeon PRO W7900 Dual Slotrun-20260817-163914-4d8eaa

24,7 tok/s

2× AMD Radeon PRO W7900 Dual Slotrun-20260818-080548-ef523b

17,0 tok/s

NVIDIA GeForce RTX 3090 Tirun-20260727-202226-fa689f

14,9 tok/s

3× AMD Radeon AI PRO R9700run-20260806-094434-2d486d

12,2 tok/s

3× AMD Radeon AI PRO R9700run-20260806-094434-9276e6

8,5 tok/s

3× AMD Radeon AI PRO R9700run-20260806-094434-26e92b

8,3 tok/s

Hardware

GPU: NVIDIA GeForce RTX 5090 · 32 GB VRAM
CPU: AMD Ryzen 7 5800X3D 8-Core Processor
RAM: 126 GB
Mainboard: ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING

Setup

Runtime: vLLM
Quantisierung: AWQ
Modell: GLM-4.5-Air

Konfiguration

benchmark-konfiguration — run-20260723-142100-c471d1

# LLM-Benchmark Konfiguration # Modell : GLM-4.5-Air # Engine : vLLM # Run-ID : run-20260723-142100-c471d1 # GPU : NVIDIA GeForce RTX 5090 # CPU : 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/GLM-4.5-Air-AWQ-4bit \ --served-model-name GLM-4.5-Air \ --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.	GLM-4.5-Air
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.	GLM-4.5-Air
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

GLM-4.5-Air 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 661,8 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 615,3 tok/sNVIDIA RTX A6000 276,5 tok/sAMD Radeon AI PRO R9700 104,1 tok/sAMD Radeon PRO W7900 Dual Slot 99,5 tok/sNVIDIA GeForce RTX 3090 Ti 20,8 tok/sNVIDIA GeForce RTX 5070 Ti 9,9 tok/s★ NVIDIA GeForce RTX 5090 6,2 tok/s dieser LaufNVIDIA GeForce RTX 2060 2,1 tok/s

CPUnach Prozessor

AMD Ryzen 9 9950X 16-Core Processor 661,8 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 615,3 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 276,5 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 99,5 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 20,8 tok/s★ AMD Ryzen 7 5800X3D 8-Core Processor 6,2 tok/s dieser LaufIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 2,1 tok/s

MBnach Mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 661,8 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 615,3 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 99,5 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 20,8 tok/s★ ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 6,2 tok/s dieser LaufDell Inc. PowerEdge R820 2,1 tok/s

ENGnach Engine

llama.cpp 661,8 tok/s★ vLLM 276,5 tok/s dieser Laufunbekannt 32,9 tok/s

DRVnach Treiber

unbekannt 661,8 tok/sAMD 7.0.0-27-generic 32,9 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 übernehmen Zurücksetzen

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 72 W

⚡ TDP 622 W

☁️ Externes LLM (API) anzeigen

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

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)622 W geschätzt (TDP)GPU 575 + CPU 35 + Board 12 W Volllast

Ø-Kosten / Stunde0,19 EUR

Strom / 1 Mio. Token8,35 EUR

Token / kWh35,91 Tsd.

Anschaffung (System)4.986 EUR VollpreisGPU 3.300 EUR · CPU 349 EUR · Board 149 EUR · RAM 1.008 EUR · Netzteil 180 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)8.253 EUR

Output-Token (2 Jahre)391,05 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 (72 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

	GLM-4.5-AirNVIDIA GeForce RTX 5090	GLM-4.5-AirNVIDIA RTX PRO 6000 Blackwell Workstation Edition	GLM-4.5-Air3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	GLM-4.5-Air3x 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)	–	–	–	–

NVIDIA GeForce RTX 5090 · dieser Lauf 6 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 370 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 340 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 339 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.