Beigesteuert vonMario AlkaNVIDIA Nemotron-Cascade-2-30B-A3B
Performancebenchmark · gemessen am 20.08.2026 12:39
Benchmark-ID
run-20260820-124207-7e0db9Timebench 3 - Kombi (Prefill + Generation)MoE30BRuntime: llama.cppQuantisierung: Q8_0
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.
Generation62,04tok/s
Prefill2.341,13tok/s
Time to First Token934,50ms
Gesamtdauer34,88s
Concurrency1parallel
Einordnung im Feld
430von 1161 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel
Dieser Lauf ist besser als 63 % aller vergleichbaren Systeme.
Generation
62,0 tok/s
-16 % vs Ø 74,3
Prefill
2.341,1 tok/s
+1 % vs Ø 2.324,7
Time to First Token
935 ms
-97 % vs Ø 35.657
Verteilung im Feld0 – 405 tok/s
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-A3B gleiches ModellNVIDIA 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-Cascade-2-30B-A3B dieser LaufNVIDIA GB10 · run-20260820-124207-7e0db9
62,0 tok/s
Wie schlägt sich dieser Benchmark mit anderen GPUs?
Dasselbe Modell auf anderer Hardware · 1× parallel · Generation (tok/s)
NVIDIA GeForce RTX 5090run-20260729-105334-44d1e7
359,0 tok/s
NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260729-032120-4e3476
356,8 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-3ddb51
330,2 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-508364
329,9 tok/s
3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260729-105340-f538c5
327,7 tok/s
NVIDIA GeForce RTX 3090 Tirun-20260729-060801-1e5cba
221,8 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260818-080548-cee82f
138,8 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260818-071253-cd7611
120,0 tok/s
3× AMD Radeon AI PRO R9700run-20260722-181156-a273f2
107,9 tok/s
NVIDIA GB10run-20260820-124207-595ea8
77,0 tok/s
NVIDIA GeForce RTX 5070 Tirun-20260729-032125-03286f
69,0 tok/s
NVIDIA GB10 dieser Laufrun-20260820-124207-7e0db9
62,0 tok/s
3× AMD Radeon AI PRO R9700run-20260806-094441-85feb1
32,2 tok/s
3× AMD Radeon AI PRO R9700run-20260806-094441-502c90
31,8 tok/s
Hardware
GPU: NVIDIA GB10 · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10
Setup
Runtime: llama.cpp
Quantisierung: Q8_0
Treiber: NVIDIA 590.48.01 / CUDA 13.1
Modell: Nemotron-Cascade-2-30B-A3B
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : Nemotron-Cascade-2-30B-A3B
# Engine : llama.cpp
# Run-ID : run-20260820-124207-7e0db9
# GPU : NVIDIA GB10
# CPU : NVIDIA Grace
# RAM : 120 GB
bench@llm-benchmark:~$ /home/godcore/llama.cpp/build/bin/llama-server \
-m /home/godcore/nemc2/nvidia_Nemotron-Cascade-2-30B-A3B-Q8_0.gguf \
--alias Nemotron-Cascade-2-30B-A3B \
-ngl 999 \
-fa on \
-c 49152 \
-np 12 \
-b 8192 \
-ub 4096 \
--jinja \
--host 0.0.0.0 \
--port 8000
| 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. | 49152 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | /home/godcore/nemc2/nvidia_Nemotron-Cascade-2-30B-A3B-Q8_0.gguf |
| 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 |
| fa | on |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 49152 |
| np | 12 |
| Batch-Groesse?Logische Batchgroesse fuer die Prompt-Verarbeitung (Anzahl Token pro Prefill-Durchlauf). | 8192 |
| Micro-Batch?Physische Micro-Batchgroesse. Begrenzt, wie viele Token gleichzeitig durch die Compute-Pipeline laufen. | 4096 |
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/sNVIDIA GeForce RTX 5070 Ti 262,4 tok/s★ NVIDIA GB10 (DGX Spark) 148,8 tok/s dieser LaufAMD 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/sAMD Ryzen 9 7945HX with Radeon Graphics 219,6 tok/s★ NVIDIA Grace 148,8 tok/s dieser LaufAMD 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/sShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 219,6 tok/s★ ASUSTeK COMPUTER INC. GX10 148,8 tok/s dieser LaufDell Inc. PowerEdge R820 5,9 tok/s
DRVnach Treiber
unbekannt 1.768,1 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 148,8 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. Token0,19 EUR
Token / kWh1,60 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)3,91 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
| Nemotron-Cascade-2-30B-A3BNVIDIA GB10 (DGX Spark) | Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5090 | Nemotron-Cascade-2-30B-A3BNVIDIA RTX PRO 6000 Blackwell Workstation Edition | 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 GB10 (DGX Spark) · dieser Lauf 62 tok/sNVIDIA GeForce RTX 5090 359 tok/sNVIDIA RTX PRO 6000 Blackwell Workstation Edition 357 tok/s3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 330 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.