ℹ

For context: 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.

Generation24,73tok/s

Prefill659,85tok/s

Time to First Token34.336,00ms

Total duration600,00s

Concurrency10parallel

Ranking in the field

This GPU All GPUs

31of 48 systems

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

This run is better than 34 % of all comparable systems.

Generation 24,7 tok/s

-91 % vs Ø 275,2

Prefill 659,9 tok/s

-89 % vs Ø 5.940,3

Time to First Token 34.336 ms

+245 % vs Ø 9.960

Distribution in the field6 – 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-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-8c9d3d

486,2 tok/s

gemma-4-12B-itNVIDIA 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

gpt-oss-20b this runNVIDIA GeForce RTX 5070 Ti · run-20260727-032745-edc8ce

24,7 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
Quantization: -
Model: gpt-oss-20b

Configuration

benchmark-konfiguration — run-20260727-032745-edc8ce

# LLM-Benchmark Konfiguration # Modell : gpt-oss-20b # Engine : vLLM # Run-ID : run-20260727-032745-edc8ce # 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 openai/gpt-oss-20b \ --served-model-name gpt-oss-20b \ --tensor-parallel-size 1 \ --cpu-offload-gb 80 \ --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.	gpt-oss-20b
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.	gpt-oss-20b
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
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

All benchmarks of this model To leaderboard

Model comparison

gpt-oss-20b 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 1.443,9 tok/sNVIDIA GeForce RTX 5090 1.386,8 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.238,3 tok/sNVIDIA GeForce RTX 3090 Ti 797,2 tok/sAMD Radeon AI PRO R9700 340,5 tok/sAMD Radeon 8060S Graphics 173,3 tok/s★ NVIDIA GeForce RTX 5070 Ti 24,7 tok/s this runCPU-only 14,5 tok/s

CPUby processor

AMD Ryzen 9 9950X 16-Core Processor 1.443,9 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.386,8 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.238,3 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 797,2 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 340,5 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 173,3 tok/s★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 24,7 tok/s this runIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 14,5 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.443,9 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.386,8 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.238,3 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 797,2 tok/sBosgame AXB35-02 (BeyondMax Series) 173,3 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 24,7 tok/s this runDell Inc. PowerEdge R820 14,5 tok/s

ENGby engine

★ vLLM 1.443,9 tok/s this runllama.cpp 848,3 tok/s

DRVby driver

unbekannt 1.443,9 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model. Methodology →

⚙️ ConfigurationAll metrics and charts below follow these settings – based on a 24-month runtime.

⚡ Electricity price EUR/kWh Save to URL

☁️ External LLM (API) Input €/1M Output €/1M Input per output token

⚙️ System utilization 100 % Idle: 0 W · Full load: 0 W

Electricity0.30 EUR/kWh

Avg power (incl. idle)0 W missing

Avg cost / hour–

Electricity / 1M tokens–

Token / kWh–

Acquisition (system)– missing

Electricity (2 years)–

TCO (2 years)–

Output tokens (2 years)1.56B

☁️ External LLM (API) – comparison

External LLM cost (2 years)–

Savings vs. external (2 years)–

No power draw measured – values estimated from GPU TDP + CPU (idle + 15 %) + board.

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 (0 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

NVIDIA GeForce RTX 5070 Ti · this run 25 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 1,444 tok/s NVIDIA GeForce RTX 5090 1,387 tok/s NVIDIA GeForce RTX 5090 1,295 tok/s

Comparison with up to 3 next-best runs of this model (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.