ℹ

For context: 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

Total duration600,00s

Concurrency5parallel

Ranking in the field

This GPU All GPUs

1170of 1224 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 5× concurrent

This run is better than 4 % of all comparable systems.

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

Distribution in the field0 – 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 this runNVIDIA GeForce RTX 5090 · run-20260723-142100-c471d1

6,2 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 5× concurrent · 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
Quantization: AWQ
Model: GLM-4.5-Air

Configuration

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

All benchmarks of this model To leaderboard

Model comparison

GLM-4.5-Air 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 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 this runNVIDIA GeForce RTX 2060 2,1 tok/s

CPUby processor

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 this runIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 2,1 tok/s

MBby 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 this runDell Inc. PowerEdge R820 2,1 tok/s

ENGby engine

llama.cpp 661,8 tok/s★ vLLM 276,5 tok/s this rununbekannt 32,9 tok/s

DRVby driver

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

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (5× 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 72 W

⚡ TDP 622 W

☁️ External LLM (API) show

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

Electricity0.30 EUR/kWh

Avg power (incl. idle)622 W estimated (TDP)GPU 575 + CPU 35 + Board 12 W full load

Avg cost / hourEUR 0.19

Electricity / 1M tokensEUR 8.35

Token / kWh35.91K

Acquisition (system)EUR 4,986 full priceGPU EUR 3,300 · CPU EUR 349 · Board EUR 149 · RAM EUR 1,008 · PSU EUR 180

Electricity (2 years)–

TCO (2 years)EUR 8,253

Output tokens (2 years)391.05M

☁️ 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 (72 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

	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
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)	–	–	–	–

NVIDIA GeForce RTX 5090 · this run 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

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.