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.

Generation27,50tok/s

Prefill109,30tok/s

Time to First Token604,00ms

Total duration37,85s

Concurrency1parallel

Ranking in the field

This GPU All GPUs

11of 19 systems

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

This run is better than 39 % of all comparable systems.

Generation 27,5 tok/s

+0 % vs Ø 27,5

Prefill 109,3 tok/s

-75 % vs Ø 433,4

Time to First Token 604 ms

-71 % vs Ø 2.049

Distribution in the field7 – 54 tok/s

Ø 27 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

Qwen-AgentWorld-35B-A3BAMD Radeon 8060S Graphics · run-20260723-142108-f59a48

53,7 tok/s

Gemma-4-26B-A4B-itAMD Radeon 8060S Graphics · run-20260722-165910-670419

42,2 tok/s

Gemma-4-26B-A4B-itAMD Radeon 8060S Graphics · run-20260722-165909-f81e9d

42,2 tok/s

Gemma-4-26B-A4B-itAMD Radeon 8060S Graphics · run-20260723-023424-7d69dd

39,5 tok/s

gemma-4-26B-A4B-it-assistantAMD Radeon 8060S Graphics · run-20260725-031727-ec1196

33,0 tok/s

Gemma-4-26B-A4B-itAMD Radeon 8060S Graphics · run-20260725-031733-4dcb5c

32,8 tok/s

Gemma-4-26B-A4B-itAMD Radeon 8060S Graphics · run-20260725-031733-216603

32,4 tok/s

Qwen3.6-35B-A3BAMD Radeon 8060S Graphics · run-20260818-172656-f86118

27,7 tok/s

Qwen3.6-35B-A3BAMD Radeon 8060S Graphics · run-20260820-184209-9c541a

27,6 tok/s

Qwen3.6-35B-A3BAMD Radeon 8060S Graphics · run-20260818-172656-c87b94

27,6 tok/s

Nemotron-Cascade-2-30B-A3B same modelAMD Radeon 8060S Graphics · run-20260820-184209-d64192

27,5 tok/s

Nemotron-Cascade-2-30B-A3B this runAMD Radeon 8060S Graphics · run-20260820-184209-dca769

27,5 tok/s

Qwen3.6-35B-A3BAMD Radeon 8060S Graphics · run-20260821-053525-989728

26,9 tok/s

Qwen3.6-35B-A3BAMD Radeon 8060S Graphics · run-20260818-174731-31bdeb

24,5 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 1× concurrent · 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 GB10run-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: AMD Radeon 8060S Graphics
CPU: AMD RYZEN AI MAX+ 395 w/ Radeon 8060S
RAM: 31 GB
Mainboard: Bosgame AXB35-02 (BeyondMax Series)

Setup

Runtime: vLLM
Quantization: BF16
Model: Nemotron-Cascade-2-30B-A3B

Configuration

benchmark-konfiguration — run-20260820-184209-dca769

# LLM-Benchmark Konfiguration # Modell : Nemotron-Cascade-2-30B-A3B # Engine : vLLM # Run-ID : run-20260820-184209-dca769 # GPU : AMD Radeon 8060S Graphics # CPU : AMD RYZEN AI MAX+ 395 w/ Radeon 8060S # RAM : 31 GB bench@llm-benchmark:~$ python \ -m vllm.entrypoints.openai.api_server \ --model nvidia/Nemotron-Cascade-2-30B-A3B \ --served-model-name Nemotron-Cascade-2-30B-A3B \ --host 0.0.0.0 \ --port 8000 \ --trust-remote-code \ --dtype bfloat16 \ --enforce-eager \ --gpu-memory-utilization 0.90 \ --max-model-len 65536 \ --max-num-seqs 2 \ --max-num-batched-tokens 65536 \ --no-enable-chunked-prefill \ --reasoning-parser nemotron_v3 \ --enable-auto-tool-choice \ --tool-call-parser qwen3_xml \ --mamba-ssm-cache-dtype float32 \ --generation-config vllm

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
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.	65536
Python-Modul?Startet vLLM als Python-Modul (python -m vllm.entrypoints.openai.api_server). Der folgende Wert ist der Modulname.	vllm.entrypoints.openai.api_server
Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird.	nvidia/Nemotron-Cascade-2-30B-A3B
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	Nemotron-Cascade-2-30B-A3B
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
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.	bfloat16
Enforce-Eager?Schaltet die optimierte Graph-Ausfuehrung (CUDA-/HIP-Graphs) AB und rechnet Schritt fuer Schritt. Startet schneller und spart etwas VRAM, ist im laufenden Betrieb aber meist langsamer als mit Graphs.	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'.	0.90
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	65536
Max-Sequenzen?Maximale Anzahl gleichzeitig bearbeiteter Anfragen (Batch-Groesse). Hoeher = mehr Durchsatz, braucht aber mehr KV-Cache-Speicher.	2
Max-Batch-Tokens?Maximale Anzahl Tokens, die pro Rechenschritt gebuendelt verarbeitet werden. Beeinflusst Prefill-Durchsatz und Latenz.	65536
no-enable-chunked-prefill	aktiv
Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken).	nemotron_v3
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.	qwen3_xml
mamba-ssm-cache-dtype	float32
Generation-Config?Quelle der Default-Sampling-Parameter (auto/vllm oder Pfad). Steuert die vom Modell vorgegebenen Defaults fuer temperature/top_p usw.	vllm

All benchmarks of this model To leaderboard

Model comparison

Nemotron-Cascade-2-30B-A3B 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 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/s★ AMD Radeon 8060S Graphics 326,9 tok/s this runNVIDIA GeForce RTX 5070 Ti 262,4 tok/sNVIDIA GB10 (DGX Spark) 148,8 tok/sAMD Radeon AI PRO R9700 122,1 tok/sCPU-only 5,9 tok/s

CPUby processor

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/s★ AMD RYZEN AI MAX+ 395 w/ Radeon 8060S 326,9 tok/s this runAMD Ryzen Threadripper PRO 5975WX 32-Cores 262,4 tok/sAMD Ryzen 9 7945HX with Radeon Graphics 219,6 tok/sNVIDIA 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

MBby 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/s★ Bosgame AXB35-02 (BeyondMax Series) 326,9 tok/s this runASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 262,4 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 219,6 tok/sASUSTeK COMPUTER INC. GX10 148,8 tok/sDell Inc. PowerEdge R820 5,9 tok/s

ENGby engine

llama.cpp 1.768,1 tok/s★ vLLM 326,9 tok/s this run

DRVby driver

unbekannt 1.768,1 tok/sNVIDIA 590.48.01 / CUDA 13.1 148,8 tok/s

💰 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 18 W

⚡ TDP 120 W

☁️ External LLM (API) show

Input €/1M Output €/1M Input per output token

Electricity0.30 EUR/kWh

Avg power (incl. idle)120 W estimated (TDP)GPU 120 W full load

Avg cost / hourEUR 0.036

Electricity / 1M tokensEUR 0.36

Token / kWh825.00K

Acquisition (system)EUR 4,054 missingBoard EUR 3,500 · RAM EUR 434 · PSU EUR 120

Electricity (2 years)–

TCO (2 years)EUR 4,685

Output tokens (2 years)1.73B

☁️ 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 (18 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

	Nemotron-Cascade-2-30B-A3BAMD Radeon 8060S Graphics	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
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)	–	–	–	–

AMD Radeon 8060S Graphics · this run 28 tok/s NVIDIA GeForce RTX 5090 359 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 357 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 330 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.