# LLM-Benchmark Konfiguration # Modell : NVIDIA-Nemotron-3-Nano-4B # Engine : llama.cpp # Run-ID : run-20260728-194135-2ed9dd # GPU : NVIDIA GeForce RTX 5090 # CPU : AMD Ryzen 7 5800X3D 8-Core Processor # RAM : 126 GB bench@llm-benchmark:~$ /root/llama.cpp/build/bin/llama-server \ -m /root/.cache/huggingface/hub/models--DevQuasar--nvidia.NVIDIA-Nemotron-3-Nano-4B-BF16-GGUF/snapshots/86e3ddc0b34d94852cae725ade1b9b015b516f38/nvidia.NVIDIA-Nemotron-3-Nano-4B-BF16.f16.gguf.Q4_K_M.gguf \ --alias NVIDIA-Nemotron-3-Nano-4B \ --host 0.0.0.0 \ --port 8000 \ -ngl 999 \ -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.	NVIDIA-Nemotron-3-Nano-4B
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.	/root/.cache/huggingface/hub/models--DevQuasar--nvidia.NVIDIA-Nemotron-3-Nano-4B-BF16-GGUF/snapshots/86e3ddc0b34d94852cae725ade1b9b015b516f38/nvidia.NVIDIA-Nemotron-3-Nano-4B-BF16.f16.gguf.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.	999
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	16384
np	4

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

NVIDIA-Nemotron-3-Nano-4B 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 2.182,7 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.937,7 tok/s★ NVIDIA GeForce RTX 5090 1.878,7 tok/s dieser LaufNVIDIA GeForce RTX 5070 Ti 1.197,0 tok/sNVIDIA GeForce RTX 3090 Ti 992,1 tok/sAMD Radeon AI PRO R9700 261,2 tok/sAMD Radeon 8060S Graphics 113,4 tok/sCPU-only 8,0 tok/s

CPUnach Prozessor

AMD Ryzen 9 9950X 16-Core Processor 2.182,7 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.937,7 tok/s★ AMD Ryzen 7 5800X3D 8-Core Processor 1.878,7 tok/s dieser LaufAMD Ryzen Threadripper PRO 5975WX 32-Cores 1.197,0 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 992,1 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 261,2 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 113,4 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 8,0 tok/s

MBnach Mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 2.182,7 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.937,7 tok/s★ ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.878,7 tok/s dieser LaufASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 1.197,0 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 992,1 tok/sBosgame AXB35-02 (BeyondMax Series) 113,4 tok/sDell Inc. PowerEdge R820 8,0 tok/s

ENGnach Engine

★ llama.cpp 2.182,7 tok/s dieser Lauf

DRVnach Treiber

unbekannt 2.182,7 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 übernehmen Zurücksetzen

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 72 W

⚡ TDP 622 W

☁️ Externes LLM (API) anzeigen

Input €/1M Output €/1M Input je Output-Token

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)622 W geschätzt (TDP)GPU 575 + CPU 35 + Board 12 W Volllast

Ø-Kosten / Stunde0,19 EUR

Strom / 1 Mio. Token0,028 EUR

Token / kWh10,88 Mio.

Anschaffung (System)4.986 EUR VollpreisGPU 3.300 EUR · CPU 349 EUR · Board 149 EUR · RAM 1.008 EUR · Netzteil 180 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)8.253 EUR

Output-Token (2 Jahre)118,50 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 (72 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

	NVIDIA-Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090	NVIDIA-Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition	NVIDIA-Nemotron-3-Nano-4B3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	NVIDIA-Nemotron-3-Nano-4B3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition
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 5090 · dieser Lauf 1.879 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 2.183 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.938 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.912 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.