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.

Generation46,91tok/s

Prefill3.713,04tok/s

Time to First Token536,50ms

Total duration45,00s

Concurrency1parallel

Ranking in the field

This GPU All GPUs

21of 33 systems

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

This run is better than 38 % of all comparable systems.

Generation 46,9 tok/s

-15 % vs Ø 55,0

Prefill 3.713,0 tok/s

+34 % vs Ø 2.778,4

Time to First Token 537 ms

-46 % vs Ø 1.002

Distribution in the field11 – 101 tok/s

Ø 55 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

Qwen3.6-35B-A3BNVIDIA GB10 · run-20260809-110710-d6b1e3

101,2 tok/s

Qwen3.6-35B-A3BNVIDIA GB10 · run-20260809-110710-a1889b

100,6 tok/s

Qwen3.6-35B-A3BNVIDIA GB10 · run-20260809-110710-c441e7

93,0 tok/s

Qwen3-Coder-30B-A3B-InstructNVIDIA GB10 · run-20260820-205402-6695a4

86,2 tok/s

Qwen3-30B-A3B-Instruct-2507NVIDIA GB10 · run-20260820-194812-0bbbbe

84,2 tok/s

gpt-oss-20bNVIDIA GB10 · run-20260820-194812-a1fa02

82,2 tok/s

Nemotron-Cascade-2-30B-A3BNVIDIA GB10 · run-20260820-124207-595ea8

77,0 tok/s

Nemotron-3-Nano-4BNVIDIA GB10 · run-20260730-084906-365733

76,9 tok/s

Qwen3.6-35B-A3BNVIDIA GB10 · run-20260809-110710-89be7e

74,2 tok/s

Nemotron-3-Nano-4BNVIDIA GB10 · run-20260730-035052-355f35

72,7 tok/s

Qwen3.6-35B-A3BNVIDIA GB10 · run-20260821-071254-0f1b4f

68,4 tok/s

gemma-4-E4B-itNVIDIA GB10 · run-20260730-084905-ef5ef1

63,5 tok/s

Nemotron-Cascade-2-30B-A3BNVIDIA GB10 · run-20260820-124207-7e0db9

62,0 tok/s

gemma-4-E4B-itNVIDIA GB10 · run-20260729-224611-11c64f

60,5 tok/s

Qwen3.5-35B-A3B this runNVIDIA GB10 · run-20260809-110711-04318f

46,9 tok/s

How does this benchmark compare on other GPUs?

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

NVIDIA GeForce RTX 5090run-20260730-204032-5759ff

253,8 tok/s

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260729-032128-e3c327

247,4 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260730-204032-db4424

239,9 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260801-072828-90b937

239,4 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260731-071555-80fc8d

207,5 tok/s

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260724-082959-ff0f63

195,5 tok/s

NVIDIA GeForce RTX 3090 Tirun-20260729-105336-390bc6

161,9 tok/s

AMD Radeon PRO W7900 Dual Slotrun-20260818-014735-10e7b3

99,8 tok/s

2× AMD Radeon PRO W7900 Dual Slotrun-20260818-162300-cbdf4d

87,7 tok/s

AMD Radeon PRO W7900 Dual Slotrun-20260818-014735-e6c863

82,0 tok/s

2× AMD Radeon PRO W7900 Dual Slotrun-20260818-162300-c7e969

78,6 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165907-4790f4

78,5 tok/s

3× AMD Radeon AI PRO R9700run-20260722-165906-c1df70

78,5 tok/s

4× AMD Radeon AI PRO R9700run-20260817-111924-5f74b8

68,3 tok/s

Hardware

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

Setup

Runtime: vLLM
Quantization: FP8
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: Qwen3.5-35B-A3B

Configuration

benchmark-konfiguration — run-20260809-110711-04318f

# LLM-Benchmark Konfiguration # Modell : Qwen3.5-35B-A3B # Engine : vLLM # Run-ID : run-20260809-110711-04318f # GPU : NVIDIA GB10 # CPU : NVIDIA Grace # RAM : 120 GB bench@llm-benchmark:~$ /usr/bin/python3 /usr/local/bin/vllm serve Qwen/Qwen3.5-35B-A3B-FP8 \ --host 0.0.0.0 \ --port 8000 \ --max-model-len 262144 \ --max-num-batched-tokens 16384 \ --gpu-memory-utilization 0.8 \ --enable-auto-tool-choice \ --tool-call-parser qwen3_coder \ --kv-cache-dtype fp8 \ --load-format fastsafetensors \ --attention-backend flashinfer \ --enable-prefix-caching \ --chat-template unsloth.jinja \ -tp 1

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
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	262144
Max-Batch-Tokens?Maximale Anzahl Tokens, die pro Rechenschritt gebuendelt verarbeitet werden. Beeinflusst Prefill-Durchsatz und Latenz.	16384
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'.	0.8
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
Tool-Parser?Bestimmt, wie vLLM Tool-Aufrufe aus der Modellantwort ausliest (z.B. hermes, mistral, llama3_json). Muss zum Modell passen.	qwen3_coder
KV-Cache-Dtype?Datentyp des KV-Cache (auto, fp8). fp8 halbiert etwa den Cache-Speicher -> mehr und laengere parallele Anfragen bei minimalem Qualitaetsverlust.	fp8
Load-Format?Format, aus dem die Gewichte geladen werden (auto, safetensors, pt ...). 'auto' erkennt es selbst.	fastsafetensors
attention-backend	flashinfer
Prefix-Caching?Speichert bereits berechnete Prompt-Anfaenge und verwendet sie wieder. Beschleunigt Anfragen mit gemeinsamem Praefix (z.B. gleicher System-Prompt) deutlich.	aktiv
chat-template?Jinja-Vorlage, die Chat-Nachrichten in den Prompt-Text des Modells umwandelt. Noetig, wenn das Modell keine eigene mitbringt.	unsloth.jinja
tp	1

All benchmarks of this model To leaderboard

Model comparison

Qwen3.5-35B-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 1.520,4 tok/sNVIDIA GeForce RTX 5090 1.416,7 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.398,4 tok/sNVIDIA GeForce RTX 3090 Ti 866,1 tok/sAMD Radeon AI PRO R9700 220,5 tok/sAMD Radeon PRO W7900 Dual Slot 212,5 tok/sNVIDIA GeForce RTX 5070 Ti 142,2 tok/s★ NVIDIA GB10 (DGX Spark) 46,9 tok/s this run

CPUby processor

AMD Ryzen 9 9950X 16-Core Processor 1.520,4 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.416,7 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.398,4 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 866,1 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 220,5 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 212,5 tok/s★ NVIDIA Grace 46,9 tok/s this run

MBby mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.520,4 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.416,7 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.398,4 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 866,1 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 212,5 tok/s★ ASUSTeK COMPUTER INC. GX10 46,9 tok/s this run

ENGby engine

llama.cpp 1.520,4 tok/s★ vLLM 1.028,6 tok/s this rununbekannt 78,5 tok/s

DRVby driver

unbekannt 1.520,4 tok/sAMD 7.0.0-27-generic 78,5 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 46,9 tok/s this run

💰 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 →

⚙️ 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 15 W

⚡ TDP 140 W

☁️ External LLM (API) show

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

Electricity0.30 EUR/kWh

Avg power (incl. idle)140 W estimated (TDP)GPU 140 W full load

Avg cost / hourEUR 0.042

Electricity / 1M tokensEUR 0.25

Token / kWh1.21M

Acquisition (system)EUR 5,800 partial priceGPU EUR 4,000 · RAM EUR 1,680 · PSU EUR 120

Electricity (2 years)–

TCO (2 years)EUR 6,536

Output tokens (2 years)2.96B

☁️ 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 (15 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

	Qwen3.5-35B-A3BNVIDIA GB10 (DGX Spark)	Qwen3.5-35B-A3BNVIDIA GeForce RTX 5090	Qwen3.5-35B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition	Qwen3.5-35B-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 47 tok/s NVIDIA GeForce RTX 5090 254 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 247 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 240 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.