# LLM-Benchmark Konfiguration # Modell : Qwen3-Coder-30B-A3B-Instruct # Engine : llama.cpp # Run-ID : run-20260725-031746-7920c1 # 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

All benchmarks of this model To leaderboard

Model comparison

Qwen3-Coder-30B-A3B-Instruct 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 1.070,6 tok/sNVIDIA GeForce RTX 5090 966,2 tok/sNVIDIA GeForce RTX 3090 Ti 670,7 tok/sAMD Radeon AI PRO R9700 237,2 tok/sAMD Radeon 8060S Graphics 115,8 tok/s★ NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 90,4 tok/s this runCPU-only 6,7 tok/s

CPUby processor

AMD Ryzen 9 9950X 16-Core Processor 1.070,6 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 966,2 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 670,7 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 237,2 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 115,8 tok/s★ AMD Ryzen Threadripper PRO 9965WX 24-Cores 90,4 tok/s this runIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 6,7 tok/s

MBby mainboard

unbekannt 1.070,6 tok/s

ENGby engine

vLLM 1.070,6 tok/s★ llama.cpp 846,5 tok/s this run

DRVby driver

unbekannt 1.070,6 tok/s

Contributed by

Mario Alka Administrator

@marioalka

Gruender von godcore.de