⚠

Configuration note: This run used 2 devices in distributed inference (2× NVIDIA GB10 (DGX Spark), tensor/pipeline parallel via the vLLM config). Not a single machine – power & acquisition in the economics section are calculated for all 2 devices.

ℹ

For context: Diese Plattform nutzt Unified Memory – die "VRAM" ist gemeinsamer System-RAM (APU/Superchip); das Modell teilt sich den Speicher mit dem System.

Generation101,18tok/s

Prefill6.143,63tok/s

Time to First Token314,00ms

Total duration20,87s

Concurrency1parallel

Ranking in the field

This GPU All GPUs

254of 1161 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 1× concurrent

This run is better than 78 % of all comparable systems.

Generation 101,2 tok/s

+36 % vs Ø 74,3

Prefill 6.143,6 tok/s

+164 % vs Ø 2.324,7

Time to First Token 314 ms

-99 % vs Ø 35.657

Distribution in the field0 – 405 tok/s

Ø 74 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004608-16af9b

404,6 tok/s

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-9f766a

395,2 tok/s

Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-d456e7

393,5 tok/s

Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-bffb11

393,5 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004607-29bd16

388,9 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-1c779f

388,2 tok/s

gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-6ea089

378,6 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-e8b129

377,6 tok/s

Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-ac388e

362,3 tok/s

Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-5e5085

361,4 tok/s

Nemotron-3-Nano-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105335-653788

359,4 tok/s

Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA GeForce RTX 5090 · run-20260729-105334-2c4905

359,3 tok/s

Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 · run-20260729-105334-44d1e7

359,0 tok/s

Nemotron-3-Nano-Omni-30B-A3B-ReasoningNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260729-032119-4852bf

357,1 tok/s

Qwen3.6-35B-A3B this runNVIDIA GB10 · run-20260809-110710-d6b1e3

101,2 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 1× concurrent · Generation (tok/s)

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260729-032129-9a4f52

267,1 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260731-071556-663768

243,4 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260731-071555-e55e07

228,7 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260731-071555-c7eec3

223,1 tok/s

NVIDIA GeForce RTX 5090run-20260731-071557-78f69d

208,5 tok/s

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260724-083000-d5c2ec

195,0 tok/s

NVIDIA GeForce RTX 3090 Tirun-20260729-105337-6a9108

164,0 tok/s

NVIDIA GeForce RTX 3090 Tirun-20260731-084840-1166d8

162,4 tok/s

NVIDIA GeForce RTX 3090 Tirun-20260804-052131-5d515f

162,2 tok/s

NVIDIA GB10 this runrun-20260809-110710-d6b1e3

101,2 tok/s

NVIDIA GB10run-20260809-110710-a1889b

100,6 tok/s

NVIDIA GB10run-20260809-110710-c441e7

93,0 tok/s

AMD Radeon PRO W7900 Dual Slotrun-20260817-133237-fe8384

89,4 tok/s

AMD Radeon PRO W7900 Dual Slotrun-20260817-120413-5cfa61

88,5 tok/s

Hardware

GPU: NVIDIA GB10 · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10

Setup

Runtime: vLLM
Quantization: NVFP4
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: Qwen3.6-35B-A3B

Configuration

benchmark-konfiguration — run-20260809-110710-d6b1e3

# LLM-Benchmark Konfiguration # Modell : Qwen3.6-35B-A3B # Engine : vLLM # Run-ID : run-20260809-110710-d6b1e3 # GPU : NVIDIA GB10 # CPU : NVIDIA Grace # RAM : 120 GB bench@llm-benchmark:~$ /usr/bin/python3 /usr/local/bin/vllm serve nvidia/Qwen3.6-35B-A3B-NVFP4 \ --host 0.0.0.0 \ --port 8000 \ --tensor-parallel-size 2 \ --trust-remote-code \ --kv-cache-dtype fp8 \ --attention-backend flashinfer \ --moe-backend marlin \ --gpu-memory-utilization 0.4 \ --max-model-len 262144 \ --max-num-seqs 4 \ --max-num-batched-tokens 8192 \ --enable-chunked-prefill \ --async-scheduling \ --enable-prefix-caching \ --load-format fastsafetensors \ --reasoning-parser qwen3 \ --tool-call-parser qwen3_xml \ --enable-auto-tool-choice \ --nnodes 2 \ --node-rank 0 \ --master-addr 10.220.3.10 \ --master-port 29501

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
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	262144
Tensor-Parallel?Anzahl GPUs, auf die JEDER einzelne Modell-Layer aufgeteilt wird (Tensor-Parallelitaet). Mehr GPUs = mehr VRAM und meist mehr Speed, aber die Anzahl der Attention-Heads muss durch diesen Wert teilbar sein (z.B. 32 Heads -> nur 1, 2, 4, 8 ... moeglich, NICHT 3).	2
Trust-Remote-Code?Erlaubt vLLM, mit dem Modell mitgelieferten Python-Code auszufuehren. Noetig fuer Architekturen, die vLLM nicht von Haus aus kennt. Nur bei vertrauenswuerdigen Modellen aktivieren.	aktiv
KV-Cache-Dtype?Datentyp des KV-Cache (auto, fp8). fp8 halbiert etwa den Cache-Speicher -> mehr und laengere parallele Anfragen bei minimalem Qualitaetsverlust.	fp8
attention-backend	flashinfer
moe-backend	marlin
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'.	0.4
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	262144
Max-Sequenzen?Maximale Anzahl gleichzeitig bearbeiteter Anfragen (Batch-Groesse). Hoeher = mehr Durchsatz, braucht aber mehr KV-Cache-Speicher.	4
Max-Batch-Tokens?Maximale Anzahl Tokens, die pro Rechenschritt gebuendelt verarbeitet werden. Beeinflusst Prefill-Durchsatz und Latenz.	8192
Chunked-Prefill?Zerlegt lange Prompts in Haeppchen und verzahnt Prefill mit laufender Generierung -> gleichmaessigere Latenz bei langen Eingaben.	aktiv
async-scheduling	aktiv
Prefix-Caching?Speichert bereits berechnete Prompt-Anfaenge und verwendet sie wieder. Beschleunigt Anfragen mit gemeinsamem Praefix (z.B. gleicher System-Prompt) deutlich.	aktiv
Load-Format?Format, aus dem die Gewichte geladen werden (auto, safetensors, pt ...). 'auto' erkennt es selbst.	fastsafetensors
Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken).	qwen3
Tool-Parser?Bestimmt, wie vLLM Tool-Aufrufe aus der Modellantwort ausliest (z.B. hermes, mistral, llama3_json). Muss zum Modell passen.	qwen3_xml
Auto-Tool-Choice?Erlaubt dem Modell, Tools (Function-Calling) selbststaendig auszuwaehlen. MUSS aktiv sein, damit 'tools' im Request akzeptiert werden - sonst lehnt vLLM sie mit HTTP 400 ab.	aktiv
nnodes	2
node-rank	0
master-addr	10.220.3.10
master-port	29501

All benchmarks of this model To leaderboard

Model comparison

Qwen3.6-35B-A3B 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

NVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.489,1 tok/sNVIDIA GeForce RTX 5090 1.409,4 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.367,3 tok/sNVIDIA GeForce RTX 3090 Ti 852,0 tok/sAMD Radeon PRO W7900 Dual Slot 296,2 tok/sAMD Radeon AI PRO R9700 271,4 tok/s★ NVIDIA GB10 (DGX Spark) 167,1 tok/s this runNVIDIA GeForce RTX 5070 Ti 142,9 tok/sIntel Arc Pro B70 124,5 tok/sAMD Radeon 8060S Graphics 98,3 tok/sCPU-only 4,3 tok/s

CPUby processor

AMD Ryzen 9 9950X 16-Core Processor 1.489,1 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.409,4 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.367,3 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 852,0 tok/sAMD Ryzen 5 5600X 6-Core Processor 830,5 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 296,2 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 271,4 tok/s★ NVIDIA Grace 167,1 tok/s this runAMD Ryzen 9 7945HX with Radeon Graphics 124,5 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 98,3 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 4,3 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.489,1 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.409,4 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.367,3 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 852,0 tok/sASUSTeK COMPUTER INC. PRIME A520M-K 830,5 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 296,2 tok/s★ ASUSTeK COMPUTER INC. GX10 167,1 tok/s this runShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 124,5 tok/sBosgame AXB35-02 (BeyondMax Series) 98,3 tok/sDell Inc. PowerEdge R820 4,3 tok/s

ENGby engine

llama.cpp 1.489,1 tok/s★ vLLM 952,8 tok/s this rununbekannt 830,5 tok/s

DRVby driver

unbekannt 1.489,1 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 167,1 tok/s this runIntel 26.18.38308.4 124,5 tok/sAMD 7.0.0-27-generic 79,4 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (1× concurrent). Methodology →

🔌

2 devices in distributed operation – the calculation below (power, acquisition, TCO) uses 2× NVIDIA GB10 (DGX Spark) (detected from tensor/pipeline parallel in the vLLM configuration).

⚙️ ConfigurationAll metrics and charts below follow these settings – based on a 24-month runtime.Save to URL Reset

⚡ Electricity price EUR/kWh

⚙️ System utilization 100 %

🖥️ Acquisition EUR

🔌 Idle 30 W

⚡ TDP 280 W

☁️ External LLM (API) show

Input €/1M Output €/1M Input per output token

Electricity0.30 EUR/kWh

Avg power (incl. idle)280 W estimated (TDP)GPU 280 W full load

Avg cost / hourEUR 0.084

Electricity / 1M tokensEUR 0.23

Token / kWh1.30M

Acquisition (system)EUR 11,600 partial priceGPU EUR 8,000 · RAM EUR 3,360 · PSU EUR 240

Electricity (2 years)–

TCO (2 years)EUR 13,072

Output tokens (2 years)6.38B

☁️ External LLM (API) – comparison

External LLM cost (2 years)–

Savings vs. external (2 years)–

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 (30 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

	Qwen3.6-35B-A3BNVIDIA GB10 (DGX Spark)	Qwen3.6-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition	Qwen3.6-35B-A3B3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition	Qwen3.6-35B-A3B3x NVIDIA RTX PRO 6000 Blackwell Max-Q 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)	–	–	–	–

NVIDIA GB10 (DGX Spark) · this run 101 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 267 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 243 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 229 tok/s

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.

Contributed by

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.