Created bymario-alka.dePowered bygodcore.denoob2claw.detricoma.de
DEEN
Anmelden Registrieren
Beta
Beigesteuert vonMario AlkaGoogle

gemma-4-31B-it

Performancebenchmark · gemessen am 27.07.2026 11:38

Benchmark-IDrun-20260727-121924-2535cc
Timebench 3 - Kombi (Prefill + Generation)Dense31BRuntime: llama.cppQuantisierung: INT8
Generation41,50tok/s
Prefill367,71tok/s
Time to First Token143.109,00ms
Gesamtdauer600,00s
Concurrency10parallel
Einordnung im Feld
Diese GPUAlle GPUs
13von 20 Systemen

Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 10× parallel

Dieser Lauf ist besser als 37 % aller vergleichbaren Systeme.
Generation 41,5 tok/s
-91 % vs Ø 464,5
Prefill 367,7 tok/s
-93 % vs Ø 5.437,0
Time to First Token 143.109 ms
+234 % vs Ø 42.890
Verteilung im Feld3 – 1.743 tok/s
Ø 465 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

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: llama.cpp
Quantisierung: INT8
Modell: gemma-4-31B-it

Konfiguration

benchmark-konfiguration — run-20260727-121924-2535cc
# LLM-Benchmark Konfiguration # Modell : gemma-4-31B-it # Engine : llama.cpp # Run-ID : run-20260727-121924-2535cc # GPU : NVIDIA GeForce RTX 5070 Ti # CPU : AMD Ryzen Threadripper PRO 5975WX 32-Cores # RAM : 247 GB bench@llm-benchmark:~$ /home/godcore/llama.cpp/build/bin/llama-server \ -m /home/godcore/.cache/huggingface/hub/models--ReadyArt--gemma-4-31B-it-scotoma-GGUF/snapshots/273b4b513d43680abdad00a219bc938032547f12/gemma-4-31B-scotoma-Q4_K_M.gguf \ --alias gemma-4-31b-it-int8 \ --host 0.0.0.0 \ --port 8000 \ -ngl 30 \ -c 16384 \ -np 4 \ --jinja
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.llamacpp
Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen.gemma-4-31b-it-int8
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.16384
Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird./home/godcore/.cache/huggingface/hub/models--ReadyArt--gemma-4-31B-it-scotoma-GGUF/snapshots/273b4b513d43680abdad00a219bc938032547f12/gemma-4-31B-scotoma-Q4_K_M.gguf
GPU-Layer?Anzahl der auf die GPU ausgelagerten Modell-Layer. Hoeher = mehr VRAM und schneller; der Rest laeuft auf der CPU. 999 = alles auf GPU.30
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.16384
np4

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

gemma-4-31B-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

46,244,142,039,937,8342357371386Prefill (tok/s)Generation (tok/s)NVIDIA GeForce RTX 5070 Ti - 42,0 tok/s Generation, 364 tok/s Prefill, TTFT 71.670 ms (6 Laufe) | DIESER LAUF★ NVIDIA GeForce RTX 50...
★ NVIDIA GeForce RTX 5070 Ti 42,0 tok/s dieser Lauf

CPUnach Prozessor

46,244,142,039,937,8342357371386Prefill (tok/s)Generation (tok/s)AMD Ryzen Threadripper PRO 5975WX 32-Cores - 42,0 tok/s Generation, 364 tok/s Prefill, TTFT 71.670 ms (6 Laufe) | DIESER LAUF★ AMD Ryzen Threadrippe...
★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 42,0 tok/s dieser Lauf

MBnach Mainboard

46,244,142,039,937,8342357371386Prefill (tok/s)Generation (tok/s)ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI - 42,0 tok/s Generation, 364 tok/s Prefill, TTFT 71.670 ms (6 Laufe) | DIESER LAUF★ ASUSTeK COMPUTER INC....
★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 42,0 tok/s dieser Lauf

ENGnach Engine

46,244,142,039,937,8342357371386Prefill (tok/s)Generation (tok/s)llama.cpp - 42,0 tok/s Generation, 364 tok/s Prefill, TTFT 71.670 ms (6 Laufe) | DIESER LAUF★ llama.cpp
★ llama.cpp 42,0 tok/s dieser Lauf

DRVnach Treiber

46,244,142,039,937,8342357371386Prefill (tok/s)Generation (tok/s)unbekannt - 42,0 tok/s Generation, 364 tok/s Prefill, TTFT 71.670 ms (6 Laufe)unbekannt
unbekannt 42,0 tok/s
💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (10× 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 10 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)10 W fehltBoard 10 W Volllast
Ø-Kosten / Stunde0,0030 EUR
Strom / 1 Mio. Token0,020 EUR
Token / kWh14,94 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)2,62 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 42 tok/sNVIDIA GeForce RTX 5070 Ti 42 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.