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.

Generation41,87tok/s

Prefill1.695,13tok/s

Time to First Token20.796,50ms

Total duration532,91s

Concurrency10parallel

Ranking in the field

This GPU All GPUs

1090of 1564 systems

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

This run is better than 30 % of all comparable systems.

Generation 41,9 tok/s

-79 % vs Ø 197,8

Prefill 1.695,1 tok/s

-63 % vs Ø 4.523,3

Time to First Token 20.797 ms

+140 % vs Ø 8.665

Distribution in the field0 – 1.743 tok/s

Ø 198 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

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-194447-dc199d

1.443,9 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004604-1c9023

1.386,8 tok/s

Qwen2.5-Coder-32B-InstructNVIDIA GeForce RTX 5090 · run-20260724-082948-5b32df

1.307,9 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260723-045447-edeed3

1.295,3 tok/s

gpt-oss-20b3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260724-082940-10761f

1.238,3 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

Qwen3-Coder-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004606-ebf474

1.070,6 tok/s

Qwen3.5-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-082959-cd1403

1.028,6 tok/s

Qwen3-VL-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004607-c49303

1.028,5 tok/s

gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032759-95c93c

1.022,8 tok/s

Ministral-3-14B-Reasoning-2512NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-195749-eebab2

1.015,7 tok/s

Qwen3-30B-A3B-Thinking-2507 this runNVIDIA GeForce RTX 5070 Ti · run-20260727-082116-a324a7

41,9 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-a324a7

# LLM-Benchmark Konfiguration # Modell : Qwen3-30B-A3B-Thinking-2507 # Engine : vLLM # Run-ID : run-20260727-082116-a324a7 # 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 RTX PRO 6000 Blackwell Workstation Edition 906,0 tok/sNVIDIA GeForce RTX 3090 Ti 883,7 tok/sNVIDIA GeForce RTX 5090 873,7 tok/sAMD Radeon AI PRO R9700 231,1 tok/sAMD Radeon 8060S Graphics 131,2 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 85,0 tok/s★ NVIDIA GeForce RTX 5070 Ti 41,9 tok/s this runCPU-only 8,5 tok/s

CPUby processor

AMD Ryzen 9 9950X 16-Core Processor 906,0 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 883,7 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 873,7 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 231,1 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 131,2 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 85,0 tok/s★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 41,9 tok/s this runIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 8,5 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 906,0 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 883,7 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 873,7 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 231,1 tok/sBosgame AXB35-02 (BeyondMax Series) 131,2 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 41,9 tok/s this runDell Inc. PowerEdge R820 8,5 tok/s

ENGby engine

★ vLLM 906,0 tok/s this runllama.cpp 849,7 tok/s

DRVby driver

unbekannt 906,0 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

🖥️ Acquisition EUR Reset

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

⚙️ System utilization 100 % Idle: 10 W · Full load: 10 W

Electricity0.30 EUR/kWh

Avg power (incl. idle)10 W missingBoard 10 W full load

Avg cost / hourEUR 0.0030

Electricity / 1M tokensEUR 0.020

Token / kWh15.07M

Acquisition (system)EUR 2,096 missingRAM EUR 1,976 · PSU EUR 120

Electricity (2 years)–

TCO (2 years)EUR 2,149

Output tokens (2 years)2.64B

☁️ 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 (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

NVIDIA GeForce RTX 5070 Ti · this run 42 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 906 tok/s NVIDIA GeForce RTX 3090 Ti 884 tok/s NVIDIA GeForce RTX 5090 874 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.