Created bymario-alka.dePowered bygodcore.denoob2claw.detricoma.de
DEEN
Anmelden Registrieren
Beta
Beigesteuert vonMario AlkaStepFun

Step-3.5-Flash

Performancebenchmark · gemessen am 30.09.2026 18:22

Benchmark-IDrun-20260930-163153-fe56c9
Timebench 3 - Kombi (Prefill + Generation)Runtime: llama.cppQuantisierung: Q4_K_M
Generation15,35tok/s
Prefill218,97tok/s
Time to First Token122.534,50ms
Gesamtdauer640,04s
Concurrency10parallel
Einordnung im Feld
Diese GPUAlle GPUs
60von 60 Systemen

Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 10× parallel

Dieser Lauf ist besser als 0 % aller vergleichbaren Systeme.
Generation 15,4 tok/s
-95 % vs Ø 307,6
Prefill 219,0 tok/s
-98 % vs Ø 10.883,8
Time to First Token 122.535 ms
+725 % vs Ø 14.855
Verteilung im Feld15 – 718 tok/s
Ø 308 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

Hardware

GPU: 2x AMD Radeon RX 7900 XTX · 24 GB VRAM
CPU: AMD Ryzen Threadripper PRO 3955WX 16-Cores
RAM: 189 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI

Setup

Runtime: llama.cpp
Quantisierung: Q4_K_M
Modell: Step-3.5-Flash

Konfiguration

benchmark-konfiguration — run-20260930-163153-fe56c9
# LLM-Benchmark Konfiguration # Modell : Step-3.5-Flash # Engine : llama.cpp # Run-ID : run-20260930-163153-fe56c9 # GPU : 2x AMD Radeon RX 7900 XTX # CPU : AMD Ryzen Threadripper PRO 3955WX 16-Cores # RAM : 189 GB bench@llm-benchmark:~$ llama-server \ -m stepfun-ai_Step-3.5-Flash-Q4_K_M-00001-of-00004.gguf \ --alias Step-3.5-Flash mode=moe \ -c 24576 \ -np 10 '(2x' RX 7900 XTX + 196GB 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
Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen.Step-3.5-Flash
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.24576
Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird.stepfun-ai_Step-3.5-Flash-Q4_K_M-00001-of-00004.gguf
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.24576
np10
execution_typelocal

Alle Benchmarks dieses Modells Zum Leaderboard

Anzeige
Modell-Vergleich

Step-3.5-Flash 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

18,517,616,815,915,1151158164171Prefill (tok/s)Generation (tok/s)AMD Radeon RX 7900 XTX - 16,8 tok/s Generation, 161 tok/s Prefill, TTFT 74.043 ms (3 Laufe) | DIESER LAUF★ AMD Radeon RX 7900 XTX
★ AMD Radeon RX 7900 XTX 16,8 tok/s dieser Lauf

CPUnach Prozessor

18,517,616,815,915,1151158164171Prefill (tok/s)Generation (tok/s)AMD Ryzen Threadripper PRO 3955WX 16-Cores - 16,8 tok/s Generation, 161 tok/s Prefill, TTFT 74.043 ms (3 Laufe) | DIESER LAUF★ AMD Ryzen Threadrippe...
★ AMD Ryzen Threadripper PRO 3955WX 16-Cores 16,8 tok/s dieser Lauf

MBnach Mainboard

18,517,616,815,915,1151158164171Prefill (tok/s)Generation (tok/s)ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI - 16,8 tok/s Generation, 161 tok/s Prefill, TTFT 74.043 ms (3 Laufe) | DIESER LAUF★ ASUSTeK COMPUTER INC....
★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 16,8 tok/s dieser Lauf

ENGnach Engine

18,517,616,815,915,1151158164171Prefill (tok/s)Generation (tok/s)llama.cpp - 16,8 tok/s Generation, 161 tok/s Prefill, TTFT 74.043 ms (3 Laufe) | DIESER LAUF★ llama.cpp
★ llama.cpp 16,8 tok/s dieser Lauf

DRVnach Treiber

18,517,616,815,915,1151158164171Prefill (tok/s)Generation (tok/s)unbekannt - 16,8 tok/s Generation, 161 tok/s Prefill, TTFT 74.043 ms (3 Laufe)unbekannt
unbekannt 16,8 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 10 W
⚡ TDP 720 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)720 W geschätzt (TDP)GPU 710 + Board 10 W Volllast
Ø-Kosten / Stunde0,22 EUR
Strom / 1 Mio. Token3,91 EUR
Token / kWh76,75 Tsd.
Anschaffung (System)3.790 EUR TeilpreisGPU 2.098 EUR · RAM 1.512 EUR · Netzteil 180 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)7.574 EUR
Output-Token (2 Jahre)968,16 Mio.
☁️ 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 (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

Step-3.5-Flash2x AMD 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)–
2× AMD Radeon RX 7900 XTX · dieser Lauf 15 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.