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

Diese GPU Alle GPUs

875von 1161 Systemen

Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel

Dieser Lauf ist besser als 25 % aller vergleichbaren Systeme.

Generation 11,4 tok/s

-85 % vs Ø 74,3

Prefill 1.494,8 tok/s

-36 % vs Ø 2.324,7

Time to First Token 1.449 ms

-96 % vs Ø 35.657

Verteilung im Feld0 – 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

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

benchmark-konfiguration — run-20260809-110711-c1ef5c

# 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

Alle Benchmarks dieses Modells Zum Leaderboard

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

ENGnach Engine

llama.cpp 600,9 tok/s★ vLLM 11,4 tok/s dieser Lauf

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 übernehmen Zurücksetzen

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 15 W

⚡ TDP 140 W

☁️ Externes LLM (API) anzeigen

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

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/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 129 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 87 tok/s 3× 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.