Contributed byMario AlkaNVIDIA Llama-3_1-Nemotron-Ultra-253B-v1
Performance benchmark · measured on 31.07.2026 07:26
run-20260731-083539-315b87Performance benchmark · Primary metric: Generation-Speed (tok/s) · 1× concurrent
Wie schlägt sich dieser Benchmark mit anderen Modellen?
How does this benchmark compare on other GPUs?
Same model on different hardware · 1× concurrent · Generation (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
Quantization: Q4_K_M
Model: Llama-3_1-Nemotron-Ultra-253B-v1
Configuration
| 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. | /root/.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 |
| np | 4 |
Llama-3_1-Nemotron-Ultra-253B-v1 on various hardware
All published performance runs of this model – each bubble a variant: position = prefill (X) × generation (Y), bubble size = number of runs. Closer to the top right = faster. ★ Marked gold = this benchmark.
GPUby graphics card
CPUby processor
MBby mainboard
DRVby driver
Economics of this run
Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (1× concurrent). Methodology →
All values above and the charts below take the configured system utilization into account: at X% the system generates only X% of the time, the rest it idles (72 W). Cost per hour drops (more idle), cost per token rises.
Cost over 2 years – electricity only
Cost over 2 years – incl. acquisition (TCO)
Speed vs. tokens per euro
Euro per 1M tokens
Comparison vs. API – economics per benchmark
| Llama-3_1-Nemotron-Ultra-253B-v1NVIDIA GeForce RTX 5090 | Llama-3_1-Nemotron-Ultra-253B-v13x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition | Llama-3_1-Nemotron-Ultra-253B-v1NVIDIA GeForce RTX 5070 Ti | Llama-3_1-Nemotron-Ultra-253B-v1NVIDIA RTX PRO 6000 Blackwell Workstation Edition | |
|---|---|---|---|---|
| Electricity cost (24 mo.) | – | – | – | – |
| Acquisition cost | – | – | – | – |
| Total cost (TCO) | – | – | – | – |
| Generated tokens (24 mo.) | – | – | – | – |
| Token price via API | – | – | – | – |
| Break-even point (days) | – | – | – | – |
| Result (savings / extra cost) | – | – | – | – |
Comparison with up to 3 next-best runs of this model at the same concurrency (at least one on different hardware). Power = GPU TDP + CPU (idle + 15 %) + board (estimated), acquisition = full system (GPU + CPU + board + RAM + PSU), prices = stored market prices.
Mario Alka Administrator
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.