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.

Generation47,06tok/s

Prefill4.378,01tok/s

Time to First Token451,00ms

Gesamtdauer44,44s

Concurrency1parallel

Einordnung im Feld

Diese GPU Alle GPUs

20von 33 Systemen

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

Dieser Lauf ist besser als 41 % aller vergleichbaren Systeme.

Generation 47,1 tok/s

-14 % vs Ø 55,0

Prefill 4.378,0 tok/s

+58 % vs Ø 2.778,4

Time to First Token 451 ms

-55 % vs Ø 1.002

Verteilung im Feld11 – 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

Gemma-4-26B-A4B dieser LaufNVIDIA GB10 · run-20260809-111334-8d1906

47,1 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: Gemma-4-26B-A4B

Konfiguration

benchmark-konfiguration — run-20260809-111334-8d1906

# LLM-Benchmark Konfiguration # Modell : Gemma-4-26B-A4B # Engine : vLLM # Run-ID : run-20260809-111334-8d1906 # GPU : NVIDIA GB10 # CPU : NVIDIA Grace # RAM : 120 GB bench@llm-benchmark:~$ /usr/bin/python3 /usr/local/bin/vllm serve nvidia/Gemma-4-26B-A4B-NVFP4 \ --max-model-len 262144 \ --gpu-memory-utilization 0.7 \ --port 8000 \ --host 0.0.0.0 \ --load-format instanttensor \ --enable-prefix-caching \ --enable-auto-tool-choice \ --tool-call-parser gemma4 \ --reasoning-parser gemma4 \ --kv-cache-dtype fp8 \ --max-num-batched-tokens 8192 \ --speculative-config '{"method":"mtp","model":"google/gemma-4-26B-A4B-it-assistant","num_speculative_tokens":4, "moe_backend": "triton"}' \ -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
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'.	0.7
Load-Format?Format, aus dem die Gewichte geladen werden (auto, safetensors, pt ...). 'auto' erkennt es selbst.	instanttensor
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
Tool-Parser?Bestimmt, wie vLLM Tool-Aufrufe aus der Modellantwort ausliest (z.B. hermes, mistral, llama3_json). Muss zum Modell passen.	gemma4
Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken).	gemma4
KV-Cache-Dtype?Datentyp des KV-Cache (auto, fp8). fp8 halbiert etwa den Cache-Speicher -> mehr und laengere parallele Anfragen bei minimalem Qualitaetsverlust.	fp8
Max-Batch-Tokens?Maximale Anzahl Tokens, die pro Rechenschritt gebuendelt verarbeitet werden. Beeinflusst Prefill-Durchsatz und Latenz.	8192
speculative-config	{"method":"mtp","model":"google/gemma-4-26B-A4B-it-assistant","num_speculative_tokens":4, "moe_backend": "triton"}
tp	1

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Gemma-4-26B-A4B 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 GB10 (DGX Spark) 47,1 tok/s dieser Lauf

CPUnach Prozessor

★ NVIDIA Grace 47,1 tok/s dieser Lauf

MBnach Mainboard

★ ASUSTeK COMPUTER INC. GX10 47,1 tok/s dieser Lauf

ENGnach Engine

★ vLLM 47,1 tok/s dieser Lauf

DRVnach Treiber

★ NVIDIA 590.48.01 / CUDA 13.1 47,1 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. Token0,25 EUR

Token / kWh1,21 Mio.

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)2,97 Mrd.

☁️ 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

	Gemma-4-26B-A4BNVIDIA GB10 (DGX Spark)
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 47 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.