Beigesteuert vonMario AlkaNVIDIA Llama-3.1-Nemotron-Nano-4B-v1.1
Performancebenchmark · gemessen am 22.09.2026 16:46
run-20260922-163818-53557bPerformancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel
Wie schlägt sich dieser Benchmark mit anderen Modellen?
Hardware
GPU: AMD Radeon RX 7900 XTX · 24 GB VRAM
CPU: AMD Ryzen Threadripper PRO 3955WX 16-Cores
RAM: 63 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI
Setup
Runtime: llama.cpp
Quantisierung: Q4_K_M
Modell: Llama-3.1-Nemotron-Nano-4B-v1.1
Konfiguration
| 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. | Llama-3.1-Nemotron-Nano-4B-v1.1 |
| 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. | /mnt/llmnas/gguf/NVIDIA-Nemotron-3-Nano-4B-Q4_K_M/nvidia_Llama-3.1-Nemotron-Nano-4B-v1.1-Q4_K_M.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 |
| no-jinja | wegen |
Llama-3.1-Nemotron-Nano-4B-v1.1 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.
DRVnach Treiber
Wirtschaftlichkeit dieses Laufs
Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (1× parallel). Methodik →
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 (10 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
| Llama-3.1-Nemotron-Nano-4B-v1.1AMD Radeon RX 7900 XTX | Llama-3.1-Nemotron-Nano-4B-v1.1AMD Radeon RX 7900 XTX | |
|---|---|---|
| Kosten Strom (24 Mon.) | – | – |
| Kosten Anschaffung | – | – |
| Kosten Gesamt (TCO) | – | – |
| Generierte Token (24 Mon.) | – | – |
| Tokenpreis bei API | – | – |
| Break-Even-Point (Tage) | – | – |
| Ergebnis (Ersparnis / Ausgabe) | – | – |
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.
Mario Alka Administrator
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.