Contributed byMario AlkaQwen (Alibaba) Qwen3-Coder-Next
Performance benchmark · measured on 07.08.2026 20:30
Benchmark-ID
run-20260809-110711-41bc53Timebench 3 - Kombi (Prefill + Generation)MoERuntime: vLLMQuantisierung: FP8
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.
Generation38,54tok/s
Prefill2.123,94tok/s
Time to First Token1.145,50ms
Total duration55,67s
Concurrency1parallel
Ranking in the field
572of 1161 systems
Performance benchmark · Primary metric: Generation-Speed (tok/s) · 1× concurrent
This run is better than 51 % of all comparable systems.
Generation
38,5 tok/s
-48 % vs Ø 74,3
Prefill
2.123,9 tok/s
-9 % vs Ø 2.324,7
Time to First Token
1.146 ms
-97 % vs Ø 35.657
Distribution in the field0 – 405 tok/s
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-Coder-Next this runNVIDIA GB10 · run-20260809-110711-41bc53
38,5 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-20260728-184455-777e64
242,2 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032131-7d5f01
218,4 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032132-4c6758
216,5 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-032132-48634e
216,1 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260728-184454-459814
215,3 tok/s
3× AMD Radeon AI PRO R9700run-20260722-165905-803b25
62,4 tok/s
3× AMD Radeon AI PRO R9700run-20260722-165907-00b443
62,4 tok/s
3× AMD Radeon AI PRO R9700run-20260722-165907-0fb55c
61,0 tok/s
3× AMD Radeon AI PRO R9700run-20260722-165905-3afbfc
61,0 tok/s
NVIDIA GB10 this runrun-20260809-110711-41bc53
38,5 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260728-184455-c4c304
24,8 tok/s
3× AMD Radeon AI PRO R9700run-20260722-165905-1c5e73
22,7 tok/s
3× AMD Radeon AI PRO R9700run-20260722-165904-43d1ff
22,7 tok/s
3× AMD Radeon AI PRO R9700run-20260722-165909-53dd6e
22,5 tok/s
Hardware
GPU: NVIDIA GB10 · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10
Setup
Runtime: vLLM
Quantization: FP8
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: Qwen3-Coder-Next
Configuration
# LLM-Benchmark Konfiguration
# Modell : Qwen3-Coder-Next
# Engine : vLLM
# Run-ID : run-20260809-110711-41bc53
# GPU : NVIDIA GB10
# CPU : NVIDIA Grace
# RAM : 120 GB
bench@llm-benchmark:~$ /usr/bin/python3 /usr/local/bin/vllm serve Qwen/Qwen3-Coder-Next-FP8 \
--enable-auto-tool-choice \
--tool-call-parser qwen3_coder \
--gpu-memory-utilization 0.8 \
--host 0.0.0.0 \
--port 8000 \
--kv-cache-dtype fp8 \
--load-format instanttensor \
--attention-backend flashinfer \
--enable-prefix-caching \
--max-model-len 131072 \
-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. | 131072 |
| 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 |
| 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 |
| 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. | instanttensor |
| 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 |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 131072 |
| tp | 1 |
Anzeige
Model comparison
Qwen3-Coder-Next 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 1.253,3 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.147,5 tok/sNVIDIA GeForce RTX 5090 107,0 tok/sNVIDIA GeForce RTX 5070 Ti 106,1 tok/sAMD Radeon AI PRO R9700 78,7 tok/sNVIDIA GeForce RTX 3090 Ti 78,2 tok/s★ NVIDIA GB10 (DGX Spark) 38,5 tok/s this run
CPUby processor
AMD Ryzen 9 9950X 16-Core Processor 1.253,3 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.147,5 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 107,0 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 106,1 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 78,7 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 78,2 tok/s★ NVIDIA Grace 38,5 tok/s this run
MBby mainboard
ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.253,3 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.147,5 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 107,0 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 106,1 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 78,2 tok/s★ ASUSTeK COMPUTER INC. GX10 38,5 tok/s this run
DRVby driver
unbekannt 1.253,3 tok/sAMD 7.0.0-27-generic 62,4 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 38,5 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 URLReset
⚡ Electricity price
EUR/kWh
⚙️ System utilization
100 %
🖥️ Acquisition
EUR
🔌 Idle
15 W
⚡ TDP
140 W
☁️ External LLM (API)
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 0.30
Token / kWh991.03K
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)2.43B
☁️ 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-Coder-NextNVIDIA GB10 (DGX Spark) | Qwen3-Coder-NextNVIDIA RTX PRO 6000 Blackwell Workstation Edition | Qwen3-Coder-Next3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition | Qwen3-Coder-Next3x 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 39 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 242 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 218 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 216 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.