# LLM-Benchmark Konfiguration # Modell : gemma-4-12B-it # Engine : vLLM # Run-ID : run-20260804-052133-021af8 # GPU : NVIDIA GeForce RTX 3090 Ti # CPU : AMD Ryzen 5 5600X 6-Core Processor # RAM : 30 GB bench@llm-benchmark:~$ /opt/vllm-gemma/venv/bin/python /opt/vllm-gemma/venv/bin/vllm serve /home/godcore/models/gemma4-12b-awq \ --served-model-name gemma-4-12B-it \ --host 192.168.41.116 \ --port 8000 \ --max-model-len 8192 \ --gpu-memory-utilization 0.92 \ --enforce-eager \ --limit-mm-per-prompt '{"image":0}'

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.	vllm
Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen.	gemma-4-12B-it
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	8192
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	gemma-4-12B-it
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	8192
GPU-Speicher?Anteil des GPU-Speichers (0 bis 1), den vLLM belegen darf. 0.92 = 92 %. Hoeher = mehr Platz fuer den KV-Cache (mehr/laengere parallele Anfragen), aber groesseres Risiko fuer 'Out of Memory'.	0.92
Enforce-Eager?Schaltet die optimierte Graph-Ausfuehrung (CUDA-/HIP-Graphs) AB und rechnet Schritt fuer Schritt. Startet schneller und spart etwas VRAM, ist im laufenden Betrieb aber meist langsamer als mit Graphs.	aktiv
limit-mm-per-prompt?Obergrenze fuer multimodale Eingaben pro Prompt (z.B. Anzahl Bilder). Nur fuer multimodale Modelle relevant.	{"image":0}

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

gemma-4-12B-it 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 1.104,3 tok/sNVIDIA GeForce RTX 5090 1.058,9 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.041,8 tok/sNVIDIA GeForce RTX 5070 Ti 677,5 tok/s★ NVIDIA GeForce RTX 3090 Ti 654,9 tok/s dieser Lauf

CPUnach Prozessor

AMD Ryzen 9 9950X 16-Core Processor 1.104,3 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.058,9 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.041,8 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 677,5 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 654,9 tok/s★ AMD Ryzen 5 5600X 6-Core Processor 372,4 tok/s dieser Lauf

MBnach Mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.104,3 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.058,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.041,8 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 677,5 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 654,9 tok/s★ ASUSTeK COMPUTER INC. PRIME A520M-K 372,4 tok/s dieser Lauf

ENGnach Engine

llama.cpp 1.104,3 tok/s★ vLLM 486,2 tok/s dieser Lauf

DRVnach Treiber

unbekannt 1.104,3 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 25 W

⚡ TDP 450 W

☁️ Externes LLM (API) anzeigen

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

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)450 W geschätzt (TDP)GPU 450 W Volllast

Ø-Kosten / Stunde0,14 EUR

Strom / 1 Mio. Token0,10 EUR

Token / kWh2,98 Mio.

Anschaffung (System)1.149 EUR TeilpreisGPU 999 EUR · Netzteil 150 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)3.514 EUR

Output-Token (2 Jahre)23,49 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 (25 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

	gemma-4-12B-itNVIDIA GeForce RTX 3090 Ti	gemma-4-12B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition	gemma-4-12B-itNVIDIA GeForce RTX 5090	gemma-4-12B-it3x 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 3090 Ti · dieser Lauf 372 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.104 tok/s NVIDIA GeForce RTX 5090 1.059 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.042 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

Marcel Sommer

@marcelsommer