Beigesteuert vonMario AlkaNVIDIA Nemotron-Cascade-2-30B-A3B
Performancebenchmark · gemessen am 18.08.2026 06:56
Benchmark-ID
run-20260818-071253-1a8280Timebench 3 - Kombi (Prefill + Generation)MoE30BRuntime: llama.cppQuantisierung: IQ4_XS
Generation190,25tok/s
Prefill1.858,70tok/s
Time to First Token13.867,00ms
Gesamtdauer136,46s
Concurrency10parallel
Einordnung im Feld
431von 820 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 10× parallel
Dieser Lauf ist besser als 47 % aller vergleichbaren Systeme.
Generation
190,3 tok/s
-61 % vs Ø 485,2
Prefill
1.858,7 tok/s
-60 % vs Ø 4.661,8
Time to First Token
13.867 ms
-78 % vs Ø 63.970
Verteilung im Feld0 – 2.491 tok/s
Wie schlägt sich dieser Benchmark mit anderen Modellen?
gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-e28775
2.491,2 tok/s
gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-b37ed9
2.414,4 tok/s
Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-4cca42
2.182,7 tok/s
gemma-4-E2B-it3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-184456-d87c73
2.143,6 tok/s
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-9c966e
1.995,4 tok/s
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260728-140954-8007c4
1.993,5 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-0aed86
1.937,7 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-8db0fa
1.911,6 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260727-181606-e0eafd
1.897,0 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-7c961d
1.890,7 tok/s
Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-2ed9dd
1.878,7 tok/s
gpt-oss-20b3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-034052-26063b
1.835,7 tok/s
Nemotron-3-Nano-4B3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-a77046
1.830,3 tok/s
gpt-oss-20b3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260729-032121-c6e7e0
1.819,5 tok/s
Nemotron-Cascade-2-30B-A3B dieser LaufNVIDIA GeForce RTX 5070 Ti · run-20260818-071253-1a8280
190,3 tok/s
Wie schlägt sich dieser Benchmark mit anderen GPUs?
Dasselbe Modell auf anderer Hardware · 10× parallel · Generation (tok/s)
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260729-032120-1b1a49
1.768,1 tok/s
NVIDIA GeForce RTX 5090run-20260729-105335-34f830
1.719,2 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-3fa079
1.655,2 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-b8a790
1.650,7 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-54128f
1.542,6 tok/s
NVIDIA GeForce RTX 3090 Tirun-20260729-060802-b93c1e
897,5 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260729-032126-39e622
262,4 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260818-080548-666d0c
219,6 tok/s
NVIDIA GeForce RTX 5070 Ti dieser Laufrun-20260818-071253-1a8280
190,3 tok/s
NVIDIA GB10run-20260820-124207-6d1c5d
148,8 tok/s
3× AMD Radeon AI PRO R9700run-20260806-094441-fc7051
122,1 tok/s
3× AMD Radeon AI PRO R9700run-20260806-094441-fb0970
122,1 tok/s
3× AMD Radeon AI PRO R9700run-20260806-094441-8c3f52
121,3 tok/s
NVIDIA GB10run-20260820-131510-2cf63b
101,4 tok/s
Hardware
GPU: NVIDIA GeForce RTX 5070 Ti · 16 GB VRAM
CPU: AMD Ryzen 9 7945HX with Radeon Graphics
RAM: 61 GB
Mainboard: Shenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series)
Setup
Runtime: llama.cpp
Quantisierung: IQ4_XS
Modell: Nemotron-Cascade-2-30B-A3B
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : Nemotron-Cascade-2-30B-A3B
# Engine : llama.cpp
# Run-ID : run-20260818-071253-1a8280
# GPU : NVIDIA GeForce RTX 5070 Ti
# CPU : AMD Ryzen 9 7945HX with Radeon Graphics
# RAM : 61 GB
bench@llm-benchmark:~$ /root/llama.cpp/build-cuda/bin/llama-server \
-m /root/models/Nemotron-Cascade-2-30B-A3B-IQ4_XS.gguf \
-a Nemotron-Cascade-2-30B-A3B \
--host 0.0.0.0 \
--port 8000 \
-ngl 999 \
--n-cpu-moe 16 \
-c 40960 \
--parallel 10 \
-fa on \
--jinja
| 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. | llamacpp |
| Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen. | Nemotron-Cascade-2-30B-A3B |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 40960 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | /root/models/Nemotron-Cascade-2-30B-A3B-IQ4_XS.gguf |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | Nemotron-Cascade-2-30B-A3B |
| GPU-Layer?Anzahl der auf die GPU ausgelagerten Modell-Layer. Hoeher = mehr VRAM und schneller; der Rest laeuft auf der CPU. 999 = alles auf GPU. | 999 |
| n-cpu-moe | 16 |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 40960 |
| Parallel?Anzahl paralleler Slots/Sequenzen, die der Server gleichzeitig bedient. Der Kontext wird auf die Slots aufgeteilt. | 10 |
| fa | on |
Anzeige
Modell-Vergleich
Nemotron-Cascade-2-30B-A3B 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 1.768,1 tok/sNVIDIA GeForce RTX 5090 1.719,2 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.655,2 tok/sNVIDIA GeForce RTX 3090 Ti 897,5 tok/sAMD Radeon 8060S Graphics 326,9 tok/s★ NVIDIA GeForce RTX 5070 Ti 262,4 tok/s dieser LaufNVIDIA GB10 (DGX Spark) 148,8 tok/sAMD Radeon AI PRO R9700 122,1 tok/sCPU-only 5,9 tok/s
CPUnach Prozessor
AMD Ryzen 9 9950X 16-Core Processor 1.768,1 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.719,2 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.655,2 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 897,5 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 326,9 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 262,4 tok/s★ AMD Ryzen 9 7945HX with Radeon Graphics 219,6 tok/s dieser LaufNVIDIA Grace 148,8 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 122,1 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 5,9 tok/s
MBnach Mainboard
ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.768,1 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.719,2 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.655,2 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 897,5 tok/sBosgame AXB35-02 (BeyondMax Series) 326,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 262,4 tok/s★ Shenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 219,6 tok/s dieser LaufASUSTeK COMPUTER INC. GX10 148,8 tok/sDell Inc. PowerEdge R820 5,9 tok/s
DRVnach Treiber
unbekannt 1.768,1 tok/sNVIDIA 590.48.01 / CUDA 13.1 148,8 tok/s
💰 Economics
Wirtschaftlichkeit dieses Laufs
Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (10× 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
0 W
⚡ TDP
300 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)300 W geschätzt (TDP)GPU 300 W Volllast
Ø-Kosten / Stunde0,090 EUR
Strom / 1 Mio. Token0,13 EUR
Token / kWh2,28 Mio.
Anschaffung (System)120 EUR fehltNetzteil 120 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)1.697 EUR
Output-Token (2 Jahre)12,00 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 (0 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-Cascade-2-30B-A3BNVIDIA GeForce RTX 5070 Ti | Nemotron-Cascade-2-30B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition | Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 | Nemotron-Cascade-2-30B-A3B3x 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 GeForce RTX 5070 Ti · dieser Lauf 190 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.768 tok/sNVIDIA GeForce RTX 5090 1.719 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.655 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.