Beigesteuert vonMario AlkaMeta Meta-Llama-3.1-8B-Instruct
Performancebenchmark · gemessen am 22.07.2026 18:53
Benchmark-ID
run-20260723-194429-b2114cTimebench 3 - Kombi (Prefill + Generation)Dense8BRuntime: llama.cppQuantisierung: Q4_K_M
Generation3,55tok/s
Prefill35,95tok/s
Time to First Token59.043,50ms
Gesamtdauer600,00s
Concurrency1parallel
Einordnung im Feld
1402von 1550 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel
Dieser Lauf ist besser als 10 % aller vergleichbaren Systeme.
Generation
3,6 tok/s
-96 % vs Ø 79,0
Prefill
36,0 tok/s
-99 % vs Ø 2.838,6
Time to First Token
59.044 ms
+119 % vs Ø 26.946
Verteilung im Feld0 – 405 tok/s
Wie schlägt sich dieser Benchmark mit anderen Modellen?
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004608-16af9b
404,6 tok/s
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-9f766a
395,2 tok/s
Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-d456e7
393,5 tok/s
Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-bffb11
393,5 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004607-29bd16
388,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-1c779f
388,2 tok/s
gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-6ea089
378,6 tok/s
gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-e8b129
377,6 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-ac388e
362,3 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-5e5085
361,4 tok/s
Nemotron-3-Nano-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105335-653788
359,4 tok/s
Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA GeForce RTX 5090 · run-20260729-105334-2c4905
359,3 tok/s
Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105334-44d1e7
359,0 tok/s
Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260729-032119-4852bf
357,1 tok/s
Meta-Llama-3.1-8B-Instruct dieser Lauf2× NVIDIA GeForce RTX 2060 · run-20260723-194429-b2114c
3,6 tok/s
Wie schlägt sich dieser Benchmark mit anderen GPUs?
Dasselbe Modell auf anderer Hardware · 1× parallel · Generation (tok/s)
NVIDIA GeForce RTX 5090run-20260729-060803-e57274
246,2 tok/s
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260728-194136-f84bc1
239,3 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-060805-e19fd2
225,0 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-060805-934ac4
222,9 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-060805-db5fff
212,8 tok/s
2× NVIDIA RTX A6000run-20260829-095458-1f7681
181,2 tok/s
NVIDIA GeForce RTX 3090 Tirun-20260729-032126-398aa1
148,2 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260728-194135-5497cd
140,9 tok/s
2× NVIDIA RTX A6000run-20260829-102814-abffa3
127,4 tok/s
2× NVIDIA RTX A6000run-20260829-141918-4769b3
116,2 tok/s
2× NVIDIA RTX A6000run-20260827-104702-83ea6a
116,0 tok/s
NVIDIA RTX A6000run-20260826-090149-1307ca
102,5 tok/s
NVIDIA RTX A6000run-20260826-190954-366c87
102,4 tok/s
3× AMD Radeon AI PRO R9700run-20260730-130613-00135d
87,9 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: Meta-Llama-3.1-8B-Instruct
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : Meta-Llama-3.1-8B-Instruct
# Engine : llama.cpp
# Run-ID : run-20260723-194429-b2114c
# 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/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \
-a Meta-Llama-3.1-8B-Instruct \
--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. | Meta-Llama-3.1-8B-Instruct |
| 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/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | Meta-Llama-3.1-8B-Instruct |
| 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
Meta-Llama-3.1-8B-Instruct 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 GeForce RTX 5090 1.593,1 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.533,0 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.433,0 tok/sNVIDIA RTX A6000 1.026,4 tok/sNVIDIA GeForce RTX 5070 Ti 913,4 tok/sNVIDIA GeForce RTX 3090 Ti 837,9 tok/sAMD Radeon AI PRO R9700 518,3 tok/sAMD Radeon PRO W7800 48GB 323,1 tok/s★ NVIDIA GeForce RTX 2060 130,9 tok/s dieser LaufNVIDIA Tesla P100 PCIe 16GB 67,6 tok/sIntel Arc Pro B70 66,4 tok/s
CPUnach Prozessor
AMD Ryzen 7 5800X3D 8-Core Processor 1.593,1 tok/sAMD Ryzen 9 9950X 16-Core Processor 1.533,0 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.433,0 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 1.026,4 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 913,4 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 837,9 tok/sIntel(R) Core(TM) i5-7400 CPU @ 3.00GHz 130,9 tok/sAMD Ryzen 9 7945HX with Radeon Graphics 67,6 tok/s★ Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 3,6 tok/s dieser Lauf
MBnach Mainboard
ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.593,1 tok/sASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.533,0 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.433,0 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 913,4 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 837,9 tok/sASRock H110 Pro BTC+ 130,9 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd F1FXM (DeskMini Series) 67,6 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 66,4 tok/s★ Dell Inc. PowerEdge R820 3,6 tok/s dieser Lauf
DRVnach Treiber
unbekannt 1.593,1 tok/sIntel 26.18.38308.4 66,4 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 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. Token8,42 EUR
Token / kWh35,62 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)223,91 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
| Meta-Llama-3.1-8B-Instruct2x NVIDIA GeForce RTX 2060 | Meta-Llama-3.1-8B-InstructNVIDIA GeForce RTX 5090 | Meta-Llama-3.1-8B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition | Meta-Llama-3.1-8B-Instruct3x 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 4 tok/sNVIDIA GeForce RTX 5090 246 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 239 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 225 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.