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

Llama-3_1-Nemotron-Ultra-253B-v1

Performancebenchmark · gemessen am 30.07.2026 13:05

Benchmark-IDrun-20260730-181637-d35458
Timebench 3 - Kombi (Prefill + Generation)Dense253BRuntime: llama.cppQuantisierung: Q4_K_M
Generation1,68tok/s
Prefill48,49tok/s
Time to First Token183.807,50ms
Gesamtdauer1.200,00s
Concurrency10parallel
Einordnung im Feld
Diese GPUAlle GPUs
76von 76 Systemen

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

Dieser Lauf ist besser als 0 % aller vergleichbaren Systeme.
Generation 1,7 tok/s
-99 % vs Ø 285,0
Prefill 48,5 tok/s
-98 % vs Ø 2.536,3
Time to First Token 183.808 ms
+88 % vs Ø 97.692
Verteilung im Feld2 – 1.744 tok/s
Ø 285 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: Q4_K_M
Modell: Llama-3_1-Nemotron-Ultra-253B-v1

Konfiguration

benchmark-konfiguration — run-20260730-181637-d35458
# LLM-Benchmark Konfiguration # Modell : Llama-3_1-Nemotron-Ultra-253B-v1 # Engine : llama.cpp # Run-ID : run-20260730-181637-d35458 # 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--DevQuasar--nvidia.Llama-3_1-Nemotron-Ultra-253B-v1-GGUF/snapshots/fa034db97ae9c144e5d5a8fd8fc4fefdd363b8db/nvidia.Llama-3_1-Nemotron-Ultra-253B-v1.Q4_K_M-00001-of-00012.gguf \ --alias Llama-3_1-Nemotron-Ultra-253B-v1 \ --host 0.0.0.0 \ --port 8000 \ -ngl 0 \ -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.Llama-3_1-Nemotron-Ultra-253B-v1
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--DevQuasar--nvidia.Llama-3_1-Nemotron-Ultra-253B-v1-GGUF/snapshots/fa034db97ae9c144e5d5a8fd8fc4fefdd363b8db/nvidia.Llama-3_1-Nemotron-Ultra-253B-v1.Q4_K_M-00001-of-00012.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.0
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.16384
np4

Alle Benchmarks dieses Modells Zum Leaderboard

Anzeige
Modell-Vergleich

Llama-3_1-Nemotron-Ultra-253B-v1 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

2,21,61,10,50,00183654Prefill (tok/s)Generation (tok/s)NVIDIA RTX PRO 6000 Blackwell Workstation Edition - 0,1 tok/s Generation, 8 tok/s Prefill, TTFT 260.023 ms (1 Lauf)NVIDIA RTX PRO 6000 B...NVIDIA GeForce RTX 5070 Ti - 1,7 tok/s Generation, 45 tok/s Prefill, TTFT 141.946 ms (3 Laufe) | DIESER LAUF★ NVIDIA GeForce RTX 50...
★ NVIDIA GeForce RTX 5070 Ti 1,7 tok/s dieser LaufNVIDIA RTX PRO 6000 Blackwell Workstation Edition 0,1 tok/s

CPUnach Prozessor

2,21,61,10,50,00183654Prefill (tok/s)Generation (tok/s)AMD Ryzen 9 9950X 16-Core Processor - 0,1 tok/s Generation, 8 tok/s Prefill, TTFT 260.023 ms (1 Lauf)AMD Ryzen 9 9950X 16-...AMD Ryzen Threadripper PRO 5975WX 32-Cores - 1,7 tok/s Generation, 45 tok/s Prefill, TTFT 141.946 ms (3 Laufe) | DIESER LAUF★ AMD Ryzen Threadrippe...
★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 1,7 tok/s dieser LaufAMD Ryzen 9 9950X 16-Core Processor 0,1 tok/s

MBnach Mainboard

2,21,61,10,50,00183654Prefill (tok/s)Generation (tok/s)ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI - 0,1 tok/s Generation, 8 tok/s Prefill, TTFT 260.023 ms (1 Lauf)ASUSTeK COMPUTER INC....ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI - 1,7 tok/s Generation, 45 tok/s Prefill, TTFT 141.946 ms (3 Laufe) | DIESER LAUF★ ASUSTeK COMPUTER INC....
★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 1,7 tok/s dieser LaufASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 0,1 tok/s

ENGnach Engine

1,81,81,71,61,533353638Prefill (tok/s)Generation (tok/s)llama.cpp - 1,7 tok/s Generation, 36 tok/s Prefill, TTFT 171.465 ms (4 Laufe) | DIESER LAUF★ llama.cpp
★ llama.cpp 1,7 tok/s dieser Lauf

DRVnach Treiber

1,81,81,71,61,533353638Prefill (tok/s)Generation (tok/s)unbekannt - 1,7 tok/s Generation, 36 tok/s Prefill, TTFT 171.465 ms (4 Laufe)unbekannt
unbekannt 1,7 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 übernehmenZurücksetzen
⚡ Strompreis EUR/kWh
⚙️ System-Auslastung 100 %
🖥️ Anschaffung EUR
🔌 Idle 10 W
⚡ TDP 310 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)310 W geschätzt (TDP)GPU 300 + Board 10 W Volllast
Ø-Kosten / Stunde0,093 EUR
Strom / 1 Mio. Token15,38 EUR
Token / kWh19,51 Tsd.
Anschaffung (System)2.126 EUR fehltRAM 1.976 EUR · Netzteil 150 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)3.755 EUR
Output-Token (2 Jahre)105,96 Mio.
☁️ 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 (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

Vergleich zur API – Wirtschaftlichkeit je Benchmark

Llama-3_1-Nemotron-Ultra-253B-v1NVIDIA GeForce RTX 5070 Ti
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 5070 Ti · dieser Lauf 2 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.