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.

Generation47,06tok/s

Prefill4.378,01tok/s

Time to First Token451,00ms

Total duration44,44s

Concurrency1parallel

Ranking in the field

This GPU All GPUs

509of 1161 systems

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

This run is better than 56 % of all comparable systems.

Generation 47,1 tok/s

-37 % vs Ø 74,3

Prefill 4.378,0 tok/s

+88 % vs Ø 2.324,7

Time to First Token 451 ms

-99 % vs Ø 35.657

Distribution in the field0 – 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

Gemma-4-26B-A4B this runNVIDIA 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
Quantization: NVFP4
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: Gemma-4-26B-A4B

Configuration

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

All benchmarks of this model To leaderboard

Model comparison

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

CPUby processor

★ NVIDIA Grace 47,1 tok/s this run

MBby mainboard

★ ASUSTeK COMPUTER INC. GX10 47,1 tok/s this run

ENGby engine

★ vLLM 47,1 tok/s this run

DRVby driver

★ NVIDIA 590.48.01 / CUDA 13.1 47,1 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)2.97B

☁️ 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

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

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.