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.

Generation27,19tok/s

Prefill1.423,57tok/s

Time to First Token20.550,50ms

Gesamtdauer600,00s

Concurrency10parallel

Einordnung im Feld

Diese GPU Alle GPUs

32von 49 Systemen

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

Dieser Lauf ist besser als 35 % aller vergleichbaren Systeme.

Generation 27,2 tok/s

-90 % vs Ø 280,7

Prefill 1.423,6 tok/s

-67 % vs Ø 4.258,8

Time to First Token 20.551 ms

-5 % vs Ø 21.610

Verteilung im Feld2 – 1.743 tok/s

Ø 281 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-090152-d5613d

1.743,1 tok/s

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

1.608,5 tok/s

NVIDIA-Nemotron-3-Nano-4BNVIDIA GeForce RTX 5070 Ti · run-20260727-090153-f232e7

1.197,0 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-090153-f5c391

1.082,4 tok/s

gemma-4-E4B-itNVIDIA 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-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-090152-b472f0

971,4 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

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

Qwen3-30B-A3B-Instruct-2507 dieser LaufNVIDIA GeForce RTX 5070 Ti · run-20260727-082115-4da70f

27,2 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: AWQ
Modell: Qwen3-30B-A3B-Instruct-2507

Konfiguration

benchmark-konfiguration — run-20260727-082115-4da70f

# LLM-Benchmark Konfiguration # Modell : Qwen3-30B-A3B-Instruct-2507 # Engine : vLLM # Run-ID : run-20260727-082115-4da70f # 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 cyankiwi/Qwen3-30B-A3B-Instruct-2507-AWQ-4bit \ --served-model-name Qwen3-30B-A3B-Instruct-2507 \ --tensor-parallel-size 1 \ --cpu-offload-gb 80 \ --dtype auto \ --max-model-len 4096 \ --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.	Qwen3-30B-A3B-Instruct-2507
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	4096
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	Qwen3-30B-A3B-Instruct-2507
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.	4096
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

Qwen3-30B-A3B-Instruct-2507 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 RTX PRO 6000 Blackwell Workstation Edition 961,5 tok/sNVIDIA GeForce RTX 5090 909,3 tok/sNVIDIA GeForce RTX 3090 Ti 901,9 tok/sAMD Radeon AI PRO R9700 191,9 tok/sAMD Radeon 8060S Graphics 107,6 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 76,6 tok/s★ NVIDIA GeForce RTX 5070 Ti 27,2 tok/s dieser LaufCPU-only 7,1 tok/s

CPUnach Prozessor

AMD Ryzen 9 9950X 16-Core Processor 961,5 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 909,3 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 901,9 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 191,9 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 107,6 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 76,6 tok/s★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 27,2 tok/s dieser LaufIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 7,1 tok/s

MBnach Mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 961,5 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 909,3 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 901,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 191,9 tok/sBosgame AXB35-02 (BeyondMax Series) 107,6 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 27,2 tok/s dieser LaufDell Inc. PowerEdge R820 7,1 tok/s

ENGnach Engine

★ vLLM 961,5 tok/s dieser Laufllama.cpp 862,9 tok/s

DRVnach Treiber

unbekannt 961,5 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

🖥️ Anschaffung EUR Zurücksetzen

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

⚙️ System-Auslastung 100 % Idle: 10 W · Volllast: 10 W

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)10 W fehltBoard 10 W Volllast

Ø-Kosten / Stunde0,0030 EUR

Strom / 1 Mio. Token0,031 EUR

Token / kWh9,79 Mio.

Anschaffung (System)2.096 EUR fehltRAM 1.976 EUR · Netzteil 120 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)2.149 EUR

Output-Token (2 Jahre)1,71 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 (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

NVIDIA GeForce RTX 5070 Ti · dieser Lauf 27 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 962 tok/s NVIDIA GeForce RTX 5090 909 tok/s NVIDIA GeForce RTX 3090 Ti 902 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.