Contributed byMario AlkaGooglegemma-4-E4B-it
Performance benchmark · measured on 24.07.2026 11:15
Benchmark-ID
run-20260725-031729-410a28Timebench 3 - Kombi (Prefill + Generation)Dense4BRuntime: llama.cppQuantisierung: Q4_K_M
Generation39,82tok/s
Prefill2.512,95tok/s
Time to First Token4.069,00ms
Total duration81,25s
Concurrency5parallel
Ranking in the field
1053of 1468 systems
Performance benchmark · Primary metric: Generation-Speed (tok/s)
This run is better than 28 % of all comparable systems.
Generation
39,8 tok/s
-80 % vs Ø 199,9
Prefill
2.513,0 tok/s
-45 % vs Ø 4.582,1
Time to First Token
4.069 ms
-51 % vs Ø 8.256
Distribution in the field0 – 1.444 tok/s
Wie schlägt sich dieser Benchmark?
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-194447-dc199d
1.443,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004604-1c9023
1.386,8 tok/s
Qwen2.5-Coder-32B-InstructNVIDIA GeForce RTX 5090 · run-20260724-082948-5b32df
1.307,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260723-045447-edeed3
1.295,3 tok/s
gpt-oss-20b3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260724-082940-10761f
1.238,3 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004606-ebf474
1.070,6 tok/s
Qwen3.5-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-082959-cd1403
1.028,6 tok/s
Qwen3-VL-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004607-c49303
1.028,5 tok/s
Ministral-3-14B-Reasoning-2512NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-195749-eebab2
1.015,7 tok/s
GLM-4.5-AirNVIDIA GeForce RTX 5090 · run-20260724-082959-2ea391
976,7 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA GeForce RTX 5090 · run-20260723-045450-366dae
966,2 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004604-860045
961,5 tok/s
Devstral-Small-2507NVIDIA GeForce RTX 5090 · run-20260724-082938-ad06f1
958,9 tok/s
Qwen3.6-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-083000-8690d7
952,8 tok/s
gemma-4-E4B-it this run3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260725-031729-410a28
39,8 tok/s
Hardware
GPU: 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · 96 GB VRAM
CPU: AMD Ryzen Threadripper PRO 9965WX 24-Cores
RAM: 125 GB
Setup
Runtime: llama.cpp
Quantization: Q4_K_M
Model: gemma-4-E4B-it
Configuration
# LLM-Benchmark Konfiguration
# Modell : gemma-4-E4B-it
# Engine : llama.cpp
# Run-ID : run-20260725-031729-410a28
# GPU : 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition
# CPU : AMD Ryzen Threadripper PRO 9965WX 24-Cores
# RAM : 125 GB
bench@llm-benchmark:~$ /home/godcore/llama.cpp/build/bin/llama-server \
-m /home/godcore/.cache/huggingface/hub/models--unsloth--gpt-oss-20b-GGUF/snapshots/d449b42d93e1c2c7bda5312f5c25c8fb91dfa9b4/gpt-oss-20b-Q4_K_M.gguf \
-a gpt-oss-20b \
--host 0.0.0.0 \
--port 8000 \
-ngl 99 \
-sm layer \
--flash-attn on \
-c 26624 \
--parallel 12
| 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. | gpt-oss-20b |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 26624 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | /home/godcore/.cache/huggingface/hub/models--unsloth--gpt-oss-20b-GGUF/snapshots/d449b42d93e1c2c7bda5312f5c25c8fb91dfa9b4/gpt-oss-20b-Q4_K_M.gguf |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | gpt-oss-20b |
| GPU-Layer?Anzahl der auf die GPU ausgelagerten Modell-Layer. Hoeher = mehr VRAM und schneller; der Rest laeuft auf der CPU. 999 = alles auf GPU. | 99 |
| Split-Mode?Verteilung ueber mehrere GPUs: none (nur eine GPU), layer (Layer aufteilen) oder row (Tensoren zeilenweise). | layer |
| Flash Attention?FlashAttention fuer schnellere und speichersparende Attention. Wert on/off/auto je nach Build. | on |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 26624 |
| Parallel?Anzahl paralleler Slots/Sequenzen, die der Server gleichzeitig bedient. Der Kontext wird auf die Slots aufgeteilt. | 12 |
Model comparison
gemma-4-E4B-it 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
CPUby processor
MBby mainboard
unbekannt 106,3 tok/s
DRVby driver
unbekannt 106,3 tok/s