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.

Generation29,62tok/s

Prefill1.223,17tok/s

Time to First Token11.694,50ms

Total duration369,93s

Concurrency5parallel

Ranking in the field

This GPU All GPUs

1054of 1234 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 5× concurrent

This run is better than 15 % of all comparable systems.

Generation 29,6 tok/s

-89 % vs Ø 260,2

Prefill 1.223,2 tok/s

-77 % vs Ø 5.330,6

Time to First Token 11.695 ms

-61 % vs Ø 29.782

Distribution in the field0 – 1.349 tok/s

Ø 260 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-0adf6d

1.349,3 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-5b4937

1.301,9 tok/s

gemma-4-E2B-it3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-184456-4111a9

1.195,7 tok/s

Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-30d864

1.188,7 tok/s

Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-5432cd

1.164,8 tok/s

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260728-140954-9e81f9

1.136,3 tok/s

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-09627f

1.135,0 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-058a31

1.113,5 tok/s

Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-836a91

1.090,6 tok/s

Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260727-181606-8b381e

1.077,4 tok/s

Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-b8a818

1.071,0 tok/s

Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-038e92

1.051,1 tok/s

gpt-oss-20b3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260729-032121-ffb18a

1.015,5 tok/s

Nemotron-3-Nano-30B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260729-032121-305ad6

1.007,8 tok/s

Qwen3-30B-A3B-Thinking-2507 this runNVIDIA GeForce RTX 5070 Ti · run-20260727-082116-78fc9e

29,6 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 5× concurrent · Generation (tok/s)

NVIDIA GeForce RTX 5090run-20260729-105335-68b2c1

935,4 tok/s

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260729-032123-277335

926,2 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105342-28a217

832,0 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105342-b71814

816,5 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105342-be3ad1

813,6 tok/s

NVIDIA GeForce RTX 5090run-20260723-045450-1d48c8

633,4 tok/s

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260724-004605-09fb68

625,7 tok/s

NVIDIA GeForce RTX 3090 Tirun-20260729-060803-707425

558,2 tok/s

2× NVIDIA RTX A6000run-20260829-124021-068405

508,0 tok/s

NVIDIA GeForce RTX 3090 Tirun-20260724-004603-cec466

487,2 tok/s

2× NVIDIA RTX A6000run-20260827-090902-413ac3

451,9 tok/s

2× NVIDIA RTX A6000run-20260829-181042-42d783

381,6 tok/s

2× NVIDIA RTX A6000run-20260827-133004-a69981

348,4 tok/s

2× NVIDIA RTX A6000run-20260830-033127-a4d065

305,5 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
Quantization: AWQ
Model: Qwen3-30B-A3B-Thinking-2507

Configuration

benchmark-konfiguration — run-20260727-082116-78fc9e

# LLM-Benchmark Konfiguration # Modell : Qwen3-30B-A3B-Thinking-2507 # Engine : vLLM # Run-ID : run-20260727-082116-78fc9e # 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-Thinking-2507-AWQ-4bit \ --served-model-name Qwen3-30B-A3B-Thinking-2507 \ --tensor-parallel-size 1 \ --cpu-offload-gb 80 \ --dtype auto \ --max-model-len 4096 \ --enforce-eager \ --gpu-memory-utilization 0.60 \ --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-Thinking-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-Thinking-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'.	0.60

All benchmarks of this model To leaderboard

Model comparison

Qwen3-30B-A3B-Thinking-2507 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 5090 1.683,8 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.670,5 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.521,4 tok/sNVIDIA GeForce RTX 3090 Ti 930,6 tok/sNVIDIA RTX A6000 751,7 tok/sAMD Radeon PRO W7800 48GB 258,3 tok/sAMD Radeon PRO W7900 Dual Slot 254,6 tok/s★ NVIDIA GeForce RTX 5070 Ti 155,8 tok/s this runAMD Radeon AI PRO R9700 91,4 tok/sNVIDIA GeForce RTX 2060 8,5 tok/s

CPUby processor

AMD Ryzen 7 5800X3D 8-Core Processor 1.683,8 tok/sAMD Ryzen 9 9950X 16-Core Processor 1.670,5 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.521,4 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 930,6 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 751,7 tok/s★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 258,3 tok/s this runIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 8,5 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.683,8 tok/sASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.670,5 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.521,4 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 930,6 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 258,3 tok/s this runDell Inc. PowerEdge R820 8,5 tok/s

ENGby engine

llama.cpp 1.683,8 tok/s★ vLLM 906,0 tok/s this rununbekannt 91,4 tok/s

DRVby driver

unbekannt 1.683,8 tok/sAMD 7.0.0-27-generic 91,4 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (5× concurrent). Methodology →

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

⚡ Electricity price EUR/kWh

⚙️ System utilization 100 %

🖥️ Acquisition EUR

🔌 Idle 10 W

⚡ TDP 310 W

☁️ External LLM (API) show

Input €/1M Output €/1M Input per output token

Electricity0.30 EUR/kWh

Avg power (incl. idle)310 W estimated (TDP)GPU 300 + Board 10 W full load

Avg cost / hourEUR 0.093

Electricity / 1M tokensEUR 0.87

Token / kWh343.97K

Acquisition (system)EUR 5,000 partial priceGPU EUR 994 · CPU EUR 1,880 · RAM EUR 1,976 · PSU EUR 150

Electricity (2 years)–

TCO (2 years)EUR 6,629

Output tokens (2 years)1.87B

☁️ External LLM (API) – comparison

External LLM cost (2 years)–

Savings vs. external (2 years)–

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 (10 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

Comparison vs. API – economics per benchmark

	Qwen3-30B-A3B-Thinking-2507NVIDIA GeForce RTX 5070 Ti	Qwen3-30B-A3B-Thinking-2507NVIDIA GeForce RTX 5090	Qwen3-30B-A3B-Thinking-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition	Qwen3-30B-A3B-Thinking-25073x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition
Electricity cost (24 mo.)	–	–	–	–
Acquisition cost	–	–	–	–
Total cost (TCO)	–	–	–	–
Generated tokens (24 mo.)	–	–	–	–
Token price via API	–	–	–	–
Break-even point (days)	–	–	–	–
Result (savings / extra cost)	–	–	–	–

NVIDIA GeForce RTX 5070 Ti · this run 30 tok/s NVIDIA GeForce RTX 5090 935 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 926 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 832 tok/s

Comparison with up to 3 next-best runs of this model at the same concurrency (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.