# LLM-Benchmark Konfiguration # Modell : Nemotron-Cascade-2-30B-A3B # Engine : llama.cpp # Run-ID : run-20260729-105340-f538c5 # GPU : 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition # CPU : AMD Ryzen Threadripper PRO 9965WX 24-Cores # RAM : 125 GB bench@llm-benchmark:~$ /home/godcore/llama.cpp/build/bin/llama-server \ -m /home/godcore/.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.	/home/godcore/.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

Alle Benchmarks dieses Modells Zum Leaderboard

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/sNVIDIA GeForce RTX 5090 1.719,2 tok/s★ NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.655,2 tok/s dieser LaufNVIDIA GeForce RTX 3090 Ti 897,5 tok/sAMD Radeon AI PRO R9700 270,4 tok/sNVIDIA GeForce RTX 5070 Ti 262,4 tok/sAMD Radeon 8060S Graphics 114,5 tok/sCPU-only 5,9 tok/s

CPUnach Prozessor

AMD Ryzen 9 9950X 16-Core Processor 1.768,1 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.719,2 tok/s★ AMD Ryzen Threadripper PRO 9965WX 24-Cores 1.655,2 tok/s dieser LaufAMD Ryzen 9 8945HX with Radeon Graphics 897,5 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 270,4 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 262,4 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 114,5 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/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.719,2 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.655,2 tok/s dieser LaufMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 897,5 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 262,4 tok/sBosgame AXB35-02 (BeyondMax Series) 114,5 tok/sDell Inc. PowerEdge R820 5,9 tok/s

ENGnach Engine

★ llama.cpp 1.768,1 tok/s dieser Lauf

DRVnach Treiber

unbekannt 1.768,1 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (1× 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 165 W

⚡ TDP 983 W

☁️ Externes LLM (API) anzeigen

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

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)983 W geschätzt (TDP)GPU 900 + CPU 57 + Board 25 W Volllast

Ø-Kosten / Stunde0,29 EUR

Strom / 1 Mio. Token0,25 EUR

Token / kWh1,20 Mio.

Anschaffung (System)45.748 EUR VollpreisGPU 39.000 EUR · CPU 3.499 EUR · Board 1.299 EUR · RAM 1.750 EUR · Netzteil 200 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)50.912 EUR

Output-Token (2 Jahre)20,67 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 (165 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-A3B3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	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
Kosten Strom (24 Mon.)	–	–	–	–
Kosten Anschaffung	–	–	–	–
Kosten Gesamt (TCO)	–	–	–	–
Generierte Token (24 Mon.)	–	–	–	–
Tokenpreis bei API	–	–	–	–
Break-Even-Point (Tage)	–	–	–	–
Ergebnis (Ersparnis / Ausgabe)	–	–	–	–

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · dieser Lauf 328 tok/s NVIDIA GeForce RTX 5090 359 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 357 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 330 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.