Beigesteuert vonMario AlkaGoogle gemma-4-E2B-it
Performancebenchmark · gemessen am 26.07.2026 21:27
Benchmark-ID
run-20260727-032758-a7d32dTimebench 3 - Kombi (Prefill + Generation)Dense5BRuntime: vLLM
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.
Generation973,54tok/s
Prefill23.598,61tok/s
Time to First Token460,00ms
Gesamtdauer11,46s
Concurrency5parallel
Einordnung im Feld
1von 76 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 5× parallel
Dieser Lauf ist besser als 100 % aller vergleichbaren Systeme.
Generation
973,5 tok/s
+490 % vs Ø 164,9
Prefill
23.598,6 tok/s
+1.050 % vs Ø 2.052,4
Time to First Token
460 ms
-99 % vs Ø 56.332
Verteilung im Feld2 – 974 tok/s
Wie schlägt sich dieser Benchmark mit anderen Modellen?
gemma-4-E2B-it dieser LaufNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-a7d32d
973,5 tok/s
gemma-4-E2B-it gleiches ModellNVIDIA GeForce RTX 5070 Ti · run-20260727-090152-b472f0
971,4 tok/s
gemma-4-E2B-it gleiches ModellNVIDIA GeForce RTX 5070 Ti · run-20260728-140953-67115b
969,6 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5070 Ti · run-20260727-145956-0a1a23
710,4 tok/s
NVIDIA-Nemotron-3-Nano-4BNVIDIA GeForce RTX 5070 Ti · run-20260727-090153-aeee69
676,4 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-20260727-090152-24cf86
592,1 tok/s
Gemma-4-26B-A4B-itNVIDIA GeForce RTX 5070 Ti · run-20260729-032121-6657dc
585,9 tok/s
Meta-Llama-3.1-8B-InstructNVIDIA GeForce RTX 5070 Ti · run-20260728-194135-584e33
489,7 tok/s
Ornith-1.0-9BNVIDIA GeForce RTX 5070 Ti · run-20260730-064527-d7d465
468,0 tok/s
gemma-4-12B-itNVIDIA GeForce RTX 5070 Ti · run-20260728-194136-63ca0c
360,9 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
Ministral-3-14B-Reasoning-2512NVIDIA GeForce RTX 5070 Ti · run-20260728-194137-76c579
312,2 tok/s
Wie schlägt sich dieser Benchmark mit anderen GPUs?
Dasselbe Modell auf anderer Hardware · 5× parallel · Generation (tok/s)
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260727-181606-0adf6d
1.349,3 tok/s
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20261023-071844-e5e309
1.348,4 tok/s
NVIDIA GeForce RTX 5090run-20260728-184455-5b4937
1.301,9 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260728-184456-4111a9
1.195,7 tok/s
NVIDIA GeForce RTX 5070 Ti dieser Laufrun-20260727-032758-a7d32d
973,5 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260727-090152-b472f0
971,4 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260728-140953-67115b
969,6 tok/s
2× NVIDIA RTX A6000run-20260829-102814-01f0a1
909,0 tok/s
NVIDIA GeForce RTX 3090 Tirun-20260727-142111-0dd411
827,3 tok/s
2× NVIDIA RTX A6000run-20260827-073158-2fef6b
803,2 tok/s
NVIDIA RTX A6000run-20260826-190954-0177ec
631,7 tok/s
NVIDIA DGX SPARK (GB10)run-20260729-224610-d54f79
478,6 tok/s
NVIDIA RTX A6000run-20260826-072502-6f6641
462,8 tok/s
NVIDIA DGX SPARK (GB10)run-20260729-224611-fd132d
461,5 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-E2B-it
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : gemma-4-E2B-it
# Engine : vLLM
# Run-ID : run-20260727-032758-a7d32d
# 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-E2B-it-qat-w4a16-ct \
--served-model-name gemma-4-E2B-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-E2B-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-E2B-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 |
| execution_type | local |
Anzeige
Modell-Vergleich
gemma-4-E2B-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 5090 2.491,2 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 2.414,4 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 2.143,6 tok/s★ NVIDIA GeForce RTX 5070 Ti 1.744,0 tok/s dieser LaufNVIDIA RTX A6000 1.568,0 tok/sNVIDIA GeForce RTX 3090 Ti 1.492,8 tok/sNVIDIA DGX SPARK (GB10) 903,3 tok/sIntel Arc Pro B70 826,2 tok/sAMD Radeon PRO W7800 48GB 702,9 tok/sAMD Radeon RX 7900 XTX 465,5 tok/sAMD Radeon AI PRO R9700 427,8 tok/sNVIDIA Tesla V100 PCIe 32GB 361,8 tok/sNVIDIA GeForce RTX 2060 54,7 tok/s
CPUnach Prozessor
AMD Ryzen 7 5800X3D 8-Core Processor 2.491,2 tok/sAMD Ryzen 9 9950X 16-Core Processor 2.414,4 tok/sAMD Ryzen 5 5600X 6-Core Processor 2.412,3 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 2.143,6 tok/s★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 1.744,0 tok/s dieser LaufAMD Ryzen Threadripper PRO 7955WX 16-Cores 1.568,0 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 1.492,8 tok/sNVIDIA Grace 903,3 tok/sAMD Ryzen 9 7945HX with Radeon Graphics 826,2 tok/sAMD Ryzen Threadripper PRO 3955WX 16-Cores 465,5 tok/sAMD Ryzen 3 3100 4-Core Processor 427,8 tok/sAMD Ryzen 3 PRO 3200GE w/ Radeon Vega Graphics 361,8 tok/sIntel(R) Xeon(R) CPU E5-4657L v2 @ 2.40GHz 68,3 tok/sIntel(R) Core(TM) i5-7400 CPU @ 3.00GHz 15,3 tok/s
MBnach Mainboard
ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 2.491,2 tok/sASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 2.414,4 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 2.143,6 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 1.744,0 tok/s dieser LaufMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 1.492,8 tok/sASUSTeK COMPUTER INC. GX10 903,3 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 826,2 tok/sASUSTeK COMPUTER INC. PRIME A520M-K 451,1 tok/sASUSTeK COMPUTER INC. ROG STRIX X570-F GAMING 427,8 tok/sDell Inc. PowerEdge R820 68,3 tok/sASRock H110 Pro BTC+ 15,3 tok/s
DRVnach Treiber
unbekannt 2.491,2 tok/sNVIDIA 590.48.01 / CUDA 13.1 903,3 tok/sIntel 26.18.38308.4 826,2 tok/s
💰 Economics
Wirtschaftlichkeit dieses Laufs
Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (5× parallel). Methodik →
⚙️ KonfigurationAlle Kennzahlen und Diagramme unten folgen diesen Einstellungen – bezogen auf 24 Monate Laufzeit.In URL übernehmenZurücksetzen
⚡ Strompreis
EUR/kWh
⚙️ System-Auslastung
100 %
🖥️ Anschaffung
EUR
🔌 Idle
10 W
⚡ TDP
310 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)310 W geschätzt (TDP)GPU 300 + Board 10 W Volllast
Ø-Kosten / Stunde0,093 EUR
Strom / 1 Mio. Token0,027 EUR
Token / kWh11,31 Mio.
Anschaffung (System)5.000 EUR TeilpreisGPU 994 EUR · CPU 1.880 EUR · RAM 1.976 EUR · Netzteil 150 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)6.629 EUR
Output-Token (2 Jahre)61,40 Mrd.
☁️ Externes LLM (API) – Vergleich
Externe LLM-Kosten (2 Jahre)–
Ersparnis vs. extern (2 Jahre)–
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 (10 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
Vergleich zur API – Wirtschaftlichkeit je Benchmark
| gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti | gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition | gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition | gemma-4-E2B-itNVIDIA GeForce RTX 5090 | |
|---|---|---|---|---|
| Kosten Strom (24 Mon.) | – | – | – | – |
| Kosten Anschaffung | – | – | – | – |
| Kosten Gesamt (TCO) | – | – | – | – |
| Generierte Token (24 Mon.) | – | – | – | – |
| Tokenpreis bei API | – | – | – | – |
| Break-Even-Point (Tage) | – | – | – | – |
| Ergebnis (Ersparnis / Ausgabe) | – | – | – | – |
NVIDIA GeForce RTX 5070 Ti · dieser Lauf 974 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.349 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.348 tok/sNVIDIA GeForce RTX 5090 1.302 tok/s
Vergleich mit bis zu 3 nächstbesten Läufen dieses Modells bei gleicher Concurrency (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.