# LLM-Benchmark Konfiguration # Modell : Qwen3.8-Flash-Next # Engine : llama.cpp # Run-ID : run-20260925-112847-aca38f # GPU : 2x NVIDIA RTX A6000 # CPU : AMD EPYC 7203P 8-Core Processor # RAM : 31 GB bench@llm-benchmark:~$ llama-server Qwen3.8-Flash-Next-UD-Q4_K_XL \ -ngl 99 \ --n-cpu-moe 10 \ -fa on '(2x' A6000 NVLink + 31GB RAM 'Offload)'

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
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.	99
n-cpu-moe	10
fa	on

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Qwen3.8-Flash-Next 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 A6000 35,4 tok/s dieser Lauf

CPUnach Prozessor

★ AMD EPYC 7203P 8-Core Processor 35,4 tok/s dieser Lauf

MBnach Mainboard

★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 35,4 tok/s dieser Lauf

ENGnach Engine

★ llama.cpp 35,4 tok/s dieser Lauf

DRVnach Treiber

unbekannt 35,4 tok/s

💰 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 übernehmen Zurücksetzen

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 40 W

⚡ TDP 610 W

☁️ Externes LLM (API) anzeigen

Input €/1M Output €/1M Input je Output-Token

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)610 W geschätzt (TDP)GPU 600 + Board 10 W Volllast

Ø-Kosten / Stunde0,18 EUR

Strom / 1 Mio. Token2,24 EUR

Token / kWh133,79 Tsd.

Anschaffung (System)6.428 EUR TeilpreisGPU 6.000 EUR · RAM 248 EUR · Netzteil 180 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)9.634 EUR

Output-Token (2 Jahre)1,43 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 (40 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

	Qwen3.8-Flash-Next2x NVIDIA RTX A6000	Qwen3.8-Flash-Next2x NVIDIA RTX A6000
Kosten Strom (24 Mon.)	–	–
Kosten Anschaffung	–	–
Kosten Gesamt (TCO)	–	–
Generierte Token (24 Mon.)	–	–
Tokenpreis bei API	–	–
Break-Even-Point (Tage)	–	–
Ergebnis (Ersparnis / Ausgabe)	–	–

2× NVIDIA RTX A6000 · dieser Lauf 23 tok/s 2× NVIDIA RTX A6000 9 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.