Beigesteuert vonMario AlkaNVIDIA Nemotron-3-Super-120B-A12B
Performancebenchmark · gemessen am 07.08.2026 19:58
Benchmark-ID
run-20260809-110711-c1ef5cTimebench 3 - Kombi (Prefill + Generation)MoE120BRuntime: vLLMQuantisierung: NVFP4
ℹ
Zur Einordnung: Diese Plattform nutzt Unified Memory – die "VRAM" ist gemeinsamer System-RAM (APU/Superchip); das Modell teilt sich den Speicher mit dem System.
Generation11,39tok/s
Prefill1.494,75tok/s
Time to First Token1.448,50ms
Gesamtdauer149,38s
Concurrency1parallel
Einordnung im Feld
33von 33 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel
Dieser Lauf ist besser als 0 % aller vergleichbaren Systeme.
Generation
11,4 tok/s
-79 % vs Ø 55,0
Prefill
1.494,8 tok/s
-46 % vs Ø 2.778,4
Time to First Token
1.449 ms
+45 % vs Ø 1.002
Verteilung im Feld11 – 101 tok/s
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
Nemotron-3-Super-120B-A12B dieser LaufNVIDIA GB10 · run-20260809-110711-c1ef5c
11,4 tok/s
Wie schlägt sich dieser Benchmark mit anderen GPUs?
Dasselbe Modell auf anderer Hardware · 1× parallel · Generation (tok/s)
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260729-060802-6982fd
129,0 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260803-043845-609217
87,2 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260803-043845-612cb3
87,1 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260803-043844-a1e649
86,8 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260803-043844-7b3502
86,7 tok/s
4× AMD Radeon AI PRO R9700run-20260819-192110-735830
34,3 tok/s
4× AMD Radeon AI PRO R9700run-20260813-073605-3208f3
33,6 tok/s
4× AMD Radeon AI PRO R9700run-20260817-171106-934436
29,2 tok/s
4× AMD Radeon AI PRO R9700run-20260817-111922-cead59
27,9 tok/s
4× AMD Radeon AI PRO R9700run-20260817-111922-7b9ee5
14,8 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260729-105341-7fea97
12,1 tok/s
NVIDIA GB10 dieser Laufrun-20260809-110711-c1ef5c
11,4 tok/s
3× AMD Radeon AI PRO R9700run-20260805-053414-7802a9
10,0 tok/s
3× AMD Radeon AI PRO R9700run-20260805-053415-56d25b
9,9 tok/s
Hardware
GPU: NVIDIA GB10 · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10
Setup
Runtime: vLLM
Quantisierung: NVFP4
Treiber: NVIDIA 590.48.01 / CUDA 13.1
Modell: Nemotron-3-Super-120B-A12B
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : Nemotron-3-Super-120B-A12B
# Engine : vLLM
# Run-ID : run-20260809-110711-c1ef5c
# GPU : NVIDIA GB10
# CPU : NVIDIA Grace
# RAM : 120 GB
bench@llm-benchmark:~$ /usr/bin/python3 /usr/local/bin/vllm serve nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4 \
--kv-cache-dtype fp8 \
--moe-backend cutlass \
--trust-remote-code \
--gpu-memory-utilization 0.8 \
--max-model-len 262144 \
--max-num-seqs 10 \
--enable-prefix-caching \
--host 0.0.0.0 \
--port 8000 \
--enable-auto-tool-choice \
--load-format instanttensor \
--tool-call-parser qwen3_coder \
--reasoning-parser nemotron_v3 \
--mamba_ssm_cache_dtype float32 \
--tensor-parallel-size 1 \
--attention-backend TRITON_ATTN
| 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 |
| KV-Cache-Dtype?Datentyp des KV-Cache (auto, fp8). fp8 halbiert etwa den Cache-Speicher -> mehr und laengere parallele Anfragen bei minimalem Qualitaetsverlust. | fp8 |
| moe-backend | cutlass |
| 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 |
| 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 |
| 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. | 10 |
| Prefix-Caching?Speichert bereits berechnete Prompt-Anfaenge und verwendet sie wieder. Beschleunigt Anfragen mit gemeinsamem Praefix (z.B. gleicher System-Prompt) deutlich. | aktiv |
| 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 |
| Load-Format?Format, aus dem die Gewichte geladen werden (auto, safetensors, pt ...). 'auto' erkennt es selbst. | instanttensor |
| Tool-Parser?Bestimmt, wie vLLM Tool-Aufrufe aus der Modellantwort ausliest (z.B. hermes, mistral, llama3_json). Muss zum Modell passen. | qwen3_coder |
| Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken). | nemotron_v3 |
| mamba_ssm_cache_dtype | float32 |
| 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). | 1 |
| attention-backend | TRITON_ATTN |
Anzeige
Modell-Vergleich
Nemotron-3-Super-120B-A12B 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 600,9 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 423,4 tok/sAMD Radeon AI PRO R9700 80,5 tok/sNVIDIA GeForce RTX 5070 Ti 32,6 tok/sNVIDIA GeForce RTX 3090 Ti 18,9 tok/s★ NVIDIA GB10 (DGX Spark) 11,4 tok/s dieser LaufNVIDIA GeForce RTX 5090 5,5 tok/s
CPUnach Prozessor
AMD Ryzen 9 9950X 16-Core Processor 600,9 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 423,4 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 80,5 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 32,6 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 18,9 tok/s★ NVIDIA Grace 11,4 tok/s dieser LaufAMD Ryzen 7 5800X3D 8-Core Processor 5,5 tok/s
MBnach Mainboard
ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 600,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 423,4 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 32,6 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 18,9 tok/s★ ASUSTeK COMPUTER INC. GX10 11,4 tok/s dieser LaufASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 5,5 tok/s
DRVnach Treiber
unbekannt 600,9 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 11,4 tok/s dieser Lauf
💰 Economics
Wirtschaftlichkeit dieses Laufs
Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (1× parallel). Methodik →
⚙️ KonfigurationAlle Kennzahlen und Diagramme unten folgen diesen Einstellungen – bezogen auf 24 Monate Laufzeit.In URL übernehmenZurücksetzen
⚡ Strompreis
EUR/kWh
⚙️ System-Auslastung
100 %
🖥️ Anschaffung
EUR
🔌 Idle
15 W
⚡ TDP
140 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)140 W geschätzt (TDP)GPU 140 W Volllast
Ø-Kosten / Stunde0,042 EUR
Strom / 1 Mio. Token1,02 EUR
Token / kWh292,89 Tsd.
Anschaffung (System)5.800 EUR TeilpreisGPU 4.000 EUR · RAM 1.680 EUR · Netzteil 120 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)6.536 EUR
Output-Token (2 Jahre)718,39 Mio.
☁️ 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 (15 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
| Nemotron-3-Super-120B-A12BNVIDIA GB10 (DGX Spark) | Nemotron-3-Super-120B-A12BNVIDIA RTX PRO 6000 Blackwell Workstation Edition | Nemotron-3-Super-120B-A12B3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition | Nemotron-3-Super-120B-A12B3x 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 GB10 (DGX Spark) · dieser Lauf 11 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 129 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 87 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 87 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
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.