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.

Generation144,58tok/s

Prefill7.077,51tok/s

Time to First Token281,00ms

Total duration14,73s

Concurrency1parallel

Ranking in the field

This GPU All GPUs

10of 24 systems

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

This run is better than 61 % of all comparable systems.

Generation 144,6 tok/s

-47 % vs Ø 275,2

Prefill 7.077,5 tok/s

+19 % vs Ø 5.940,3

Time to First Token 281 ms

-97 % 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-E4B-it same modelNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-95c93c

1.022,8 tok/s

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

973,5 tok/s

gemma-4-E4B-it same modelNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-9ceaf4

616,0 tok/s

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

497,6 tok/s

gemma-4-12B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-8c9d3d

486,2 tok/s

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

318,7 tok/s

gemma-4-12B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-b402b1

315,7 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-19b085

228,2 tok/s

gemma-4-E4B-it this runNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-68f60a

144,6 tok/s

Ministral-3-14B-Reasoning-2512NVIDIA GeForce RTX 5070 Ti · run-20260727-032759-af0fcb

85,2 tok/s

gemma-4-12B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-4364c2

75,0 tok/s

Qwen3.6-35B-A3BNVIDIA GeForce RTX 5070 Ti · run-20260727-032800-038ed1

31,7 tok/s

Qwen3.5-35B-A3BNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-65eda3

30,6 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: gemma-4-E4B-it

Configuration

benchmark-konfiguration — run-20260727-032758-68f60a

# LLM-Benchmark Konfiguration # Modell : gemma-4-E4B-it # Engine : vLLM # Run-ID : run-20260727-032758-68f60a # 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-E4B-it-qat-w4a16-ct \ --served-model-name gemma-4-E4B-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-E4B-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-E4B-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

All benchmarks of this model To leaderboard

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

★ NVIDIA GeForce RTX 5070 Ti 1.022,8 tok/s this runNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 106,3 tok/sAMD Radeon 8060S Graphics 79,7 tok/s

CPUby processor

★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 1.022,8 tok/s this runAMD Ryzen Threadripper PRO 9965WX 24-Cores 106,3 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 79,7 tok/s

MBby mainboard

★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 1.022,8 tok/s this runASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 106,3 tok/sBosgame AXB35-02 (BeyondMax Series) 79,7 tok/s

ENGby engine

★ vLLM 1.022,8 tok/s this runllama.cpp 106,3 tok/s

DRVby driver

unbekannt 1.022,8 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)9.12B

☁️ 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 145 tok/s NVIDIA GeForce RTX 5070 Ti 1,023 tok/s NVIDIA GeForce RTX 5070 Ti 616 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 106 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.