ℹ

Zur Einordnung: Teile des Modells wurden per --cpu-offload-gb=80 GB in den System-RAM ausgelagert – RAM wird als erweiterter VRAM genutzt, was den Durchsatz senken kann.

Generation315,66tok/s

Prefill3.727,87tok/s

Time to First Token2.722,00ms

Gesamtdauer37,93s

Concurrency5parallel

Einordnung im Feld

Diese GPU Alle GPUs

15von 48 Systemen

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

Dieser Lauf ist besser als 68 % aller vergleichbaren Systeme.

Generation 315,7 tok/s

+15 % vs Ø 275,2

Prefill 3.727,9 tok/s

-37 % vs Ø 5.940,3

Time to First Token 2.722 ms

-73 % vs Ø 9.960

Verteilung im Feld6 – 1.608 tok/s

Ø 275 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-bb6a92

1.608,5 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032744-1e7496

1.608,5 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-95c93c

1.022,8 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032744-2f7a4a

1.022,8 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-a7d32d

973,5 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032744-260d5c

973,5 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-9ceaf4

616,0 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032744-51bece

616,0 tok/s

Ministral-3-14B-Reasoning-2512NVIDIA GeForce RTX 5070 Ti · run-20260727-032759-f155dc

497,6 tok/s

Ministral-3-14B-Reasoning-2512NVIDIA GeForce RTX 5070 Ti · run-20260727-032745-b69b05

497,6 tok/s

gemma-4-12B-it gleiches ModellNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-8c9d3d

486,2 tok/s

gemma-4-12B-it gleiches ModellNVIDIA GeForce RTX 5070 Ti · run-20260727-032745-0908cd

486,2 tok/s

Ministral-3-14B-Reasoning-2512NVIDIA GeForce RTX 5070 Ti · run-20260727-032759-014935

318,7 tok/s

Ministral-3-14B-Reasoning-2512NVIDIA GeForce RTX 5070 Ti · run-20260727-032745-e4fda3

318,7 tok/s

gemma-4-12B-it dieser LaufNVIDIA GeForce RTX 5070 Ti · run-20260727-032745-50647a

315,7 tok/s

Hardware

GPU: NVIDIA GeForce RTX 5070 Ti · 16 GB VRAM
CPU: AMD Ryzen Threadripper PRO 5975WX 32-Cores
RAM: 247 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI

Setup

Runtime: vLLM
Quantisierung: -
Modell: gemma-4-12B-it

Konfiguration

benchmark-konfiguration — run-20260727-032745-50647a

# LLM-Benchmark Konfiguration # Modell : gemma-4-12B-it # Engine : vLLM # Run-ID : run-20260727-032745-50647a # GPU : NVIDIA GeForce RTX 5070 Ti # CPU : AMD Ryzen Threadripper PRO 5975WX 32-Cores # RAM : 247 GB bench@llm-benchmark:~$ /home/godcore/vllm-venv/bin/python3 /home/godcore/vllm-venv/bin/vllm serve google/gemma-4-12B-it-qat-w4a16-ct \ --served-model-name gemma-4-12B-it \ --tensor-parallel-size 1 \ --cpu-offload-gb 80 \ --chat-template /home/godcore/tmpl_gemma.jinja \ --dtype auto \ --max-model-len 8192 \ --gpu-memory-utilization 0.85 \ --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.	gemma-4-12B-it
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.	gemma-4-12B-it
Tensor-Parallel?Anzahl GPUs, auf die JEDER einzelne Modell-Layer aufgeteilt wird (Tensor-Parallelitaet). Mehr GPUs = mehr VRAM und meist mehr Speed, aber die Anzahl der Attention-Heads muss durch diesen Wert teilbar sein (z.B. 32 Heads -> nur 1, 2, 4, 8 ... moeglich, NICHT 3).	1
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.	80
chat-template?Jinja-Vorlage, die Chat-Nachrichten in den Prompt-Text des Modells umwandelt. Noetig, wenn das Modell keine eigene mitbringt.	/home/godcore/tmpl_gemma.jinja
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'.	0.85

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

gemma-4-12B-it 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 5070 Ti 486,2 tok/s dieser LaufNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 102,5 tok/sAMD Radeon 8060S Graphics 79,6 tok/s

CPUnach Prozessor

★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 486,2 tok/s dieser LaufAMD Ryzen Threadripper PRO 9965WX 24-Cores 102,5 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 79,6 tok/s

MBnach Mainboard

★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 486,2 tok/s dieser LaufASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 102,5 tok/sBosgame AXB35-02 (BeyondMax Series) 79,6 tok/s

ENGnach Engine

★ vLLM 486,2 tok/s dieser Laufllama.cpp 102,5 tok/s

DRVnach Treiber

unbekannt 486,2 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells. Methodik →

⚙️ KonfigurationAlle Kennzahlen und Diagramme unten folgen diesen Einstellungen – bezogen auf 24 Monate Laufzeit.

⚡ Strompreis EUR/kWh In URL übernehmen

☁️ Externes LLM (API) Input €/1M Output €/1M Input je Output-Token

⚙️ System-Auslastung 100 % Idle: 0 W · Volllast: 0 W

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)0 W fehlt

Ø-Kosten / Stunde–

Strom / 1 Mio. Token–

Token / kWh–

Anschaffung (System)– fehlt

Stromkosten (2 Jahre)–

TCO (2 Jahre)–

Output-Token (2 Jahre)19,91 Mrd.

☁️ Externes LLM (API) – Vergleich

Externe LLM-Kosten (2 Jahre)–

Ersparnis vs. extern (2 Jahre)–

Keine Leistungsaufnahme gemessen – Werte geschätzt aus GPU-TDP + CPU (Idle + 15 %) + Board.

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 (0 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

NVIDIA GeForce RTX 5070 Ti · dieser Lauf 316 tok/s NVIDIA GeForce RTX 5070 Ti 486 tok/s NVIDIA GeForce RTX 5070 Ti 486 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 102 tok/s

Vergleich mit bis zu 3 nächstbesten Läufen dieses Modells (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.