Beigesteuert vonMario AlkaNVIDIA Nemotron-Cascade-2-30B-A3B
Performancebenchmark · gemessen am 29.07.2026 07:39
Benchmark-ID
run-20260729-105335-34f830Timebench 3 - Kombi (Prefill + Generation)MoE30BRuntime: llama.cppQuantisierung: Q4_K_M
Generation1.719,17tok/s
Prefill8.044,21tok/s
Time to First Token7.375,50ms
Gesamtdauer40,52s
Concurrency10parallel
Einordnung im Feld
8von 67 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 10× parallel
Dieser Lauf ist besser als 89 % aller vergleichbaren Systeme.
Generation
1.719,2 tok/s
+115 % vs Ø 801,3
Prefill
8.044,2 tok/s
+18 % vs Ø 6.827,5
Time to First Token
7.376 ms
-89 % vs Ø 65.561
Verteilung im Feld1 – 2.491 tok/s
Wie schlägt sich dieser Benchmark mit anderen Modellen?
gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-e28775
2.491,2 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-7c961d
1.890,7 tok/s
Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-2ed9dd
1.878,7 tok/s
Laguna-XS-2.1NVIDIA GeForce RTX 5090 · run-20260729-032123-a1af22
1.765,0 tok/s
Laguna-XS-2.1NVIDIA GeForce RTX 5090 · run-20260729-032123-1156eb
1.740,1 tok/s
Laguna-XS-2.1NVIDIA GeForce RTX 5090 · run-20260729-032122-887a06
1.738,4 tok/s
Nemotron-3-Nano-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105335-23842b
1.722,1 tok/s
Nemotron-Cascade-2-30B-A3B dieser LaufNVIDIA GeForce RTX 5090 · run-20260729-105335-34f830
1.719,2 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA GeForce RTX 5090 · run-20260729-105335-622167
1.716,6 tok/s
Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA GeForce RTX 5090 · run-20260729-105334-08a7c9
1.706,7 tok/s
Qwen3-30B-A3B-Thinking-2507NVIDIA GeForce RTX 5090 · run-20260729-105335-e6f72a
1.683,8 tok/s
Qwen3-Omni-30B-A3B-ThinkingNVIDIA GeForce RTX 5090 · run-20260729-105336-ee142c
1.673,6 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GeForce RTX 5090 · run-20260729-105335-2c186b
1.671,0 tok/s
Qwen3-VL-30B-A3B-InstructNVIDIA GeForce RTX 5090 · run-20260729-105336-473379
1.655,9 tok/s
Wie schlägt sich dieser Benchmark mit anderen GPUs?
Dasselbe Modell auf anderer Hardware · 10× parallel · Generation (tok/s)
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260729-032120-1b1a49
1.768,1 tok/s
NVIDIA GeForce RTX 5090 dieser Laufrun-20260729-105335-34f830
1.719,2 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-3fa079
1.655,2 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-b8a790
1.650,7 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-54128f
1.542,6 tok/s
NVIDIA GeForce RTX 3090 Tirun-20260729-060802-b93c1e
897,5 tok/s
2× NVIDIA RTX A6000run-20260830-051029-2b50be
723,7 tok/s
2× NVIDIA RTX A6000run-20260828-101911-bf6524
723,2 tok/s
NVIDIA RTX A6000run-20260826-211811-494ba9
592,4 tok/s
2× NVIDIA RTX A6000run-20260828-080811-aeeb42
393,1 tok/s
2× NVIDIA RTX A6000run-20260829-212822-495c2e
391,0 tok/s
NVIDIA RTX A6000run-20260827-010402-6e64f6
365,7 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260729-032126-39e622
262,4 tok/s
NVIDIA RTX A6000run-20260826-062050-b57b57
250,3 tok/s
Hardware
GPU: NVIDIA GeForce RTX 5090 · 32 GB VRAM
CPU: AMD Ryzen 7 5800X3D 8-Core Processor
RAM: 126 GB
Mainboard: ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING
Setup
Runtime: llama.cpp
Quantisierung: Q4_K_M
Modell: Nemotron-Cascade-2-30B-A3B
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : Nemotron-Cascade-2-30B-A3B
# Engine : llama.cpp
# Run-ID : run-20260729-105335-34f830
# 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--mradermacher--Nemotron-Cascade-2-30B-A3B-GGUF/snapshots/d27b10b50877cdb55c38deb5e0f4d7eb6c55f6cc/Nemotron-Cascade-2-30B-A3B.Q4_K_M.gguf \
--alias Nemotron-Cascade-2-30B-A3B \
--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. | Nemotron-Cascade-2-30B-A3B |
| 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--mradermacher--Nemotron-Cascade-2-30B-A3B-GGUF/snapshots/d27b10b50877cdb55c38deb5e0f4d7eb6c55f6cc/Nemotron-Cascade-2-30B-A3B.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 |
Anzeige
Modell-Vergleich
Nemotron-Cascade-2-30B-A3B 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 1.768,1 tok/s★ NVIDIA GeForce RTX 5090 1.719,2 tok/s dieser LaufNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.655,2 tok/sNVIDIA GeForce RTX 3090 Ti 897,5 tok/sNVIDIA RTX A6000 723,7 tok/sAMD Radeon 8060S Graphics 326,9 tok/sNVIDIA GeForce RTX 5070 Ti 262,4 tok/sNVIDIA GB10 (DGX Spark) 148,8 tok/sAMD Radeon AI PRO R9700 122,1 tok/sNVIDIA GeForce RTX 2060 5,9 tok/s
CPUnach Prozessor
AMD Ryzen 9 9950X 16-Core Processor 1.768,1 tok/s★ AMD Ryzen 7 5800X3D 8-Core Processor 1.719,2 tok/s dieser LaufAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.655,2 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 897,5 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 723,7 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 326,9 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 262,4 tok/sAMD Ryzen 9 7945HX with Radeon Graphics 219,6 tok/sNVIDIA Grace 148,8 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 5,9 tok/s
MBnach Mainboard
ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.768,1 tok/s★ ASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.719,2 tok/s dieser LaufASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.655,2 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 897,5 tok/sBosgame AXB35-02 (BeyondMax Series) 326,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 262,4 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 219,6 tok/sASUSTeK COMPUTER INC. GX10 148,8 tok/sDell Inc. PowerEdge R820 5,9 tok/s
DRVnach Treiber
unbekannt 1.768,1 tok/sNVIDIA 590.48.01 / CUDA 13.1 148,8 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
72 W
⚡ TDP
622 W
☁️ Externes LLM (API)
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. Token0,030 EUR
Token / kWh9,96 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)108,43 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
| Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 | Nemotron-Cascade-2-30B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition | Nemotron-Cascade-2-30B-A3B3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition | Nemotron-Cascade-2-30B-A3B3x 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 1.719 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.768 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.655 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.651 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.