ℹ

Public note: NVIDIA GB10 (DGX Spark, 120GB Unified Memory) . Nemotron-3.5-Super-VL-120B-A12B NVFP4 (modelopt_mixed: FP8 + NVFP4) . vLLM 0.32.0, FLASHINFER_CUTLASS NVFP4-MoE, max-model-len 32768, max-num-seqs 12, gpu-memory-utilization 0.80, Reasoning serverseitig aus

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.

Generation54,14tok/s

Prefill3.027,44tok/s

Time to First Token3.560,50ms

Total duration196,46s

Concurrency5parallel

Ranking in the field

This GPU All GPUs

1166of 1469 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 5× concurrent

This run is better than 21 % of all comparable systems.

Generation 54,1 tok/s

-78 % vs Ø 246,5

Prefill 3.027,4 tok/s

-44 % vs Ø 5.365,8

Time to First Token 3.561 ms

-88 % vs Ø 30.155

Distribution in the field0 – 1.349 tok/s

Ø 247 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gemma-4-E2B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181606-0adf6d

1.349,3 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5090 · run-20260728-184455-5b4937

1.301,9 tok/s

gemma-4-E2B-it3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-184456-4111a9

1.195,7 tok/s

Nemotron-3-Nano-4BNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260727-181607-30d864

1.188,7 tok/s

Nemotron-3-Nano-4BNVIDIA GeForce RTX 5090 · run-20260728-194135-5432cd

1.164,8 tok/s

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260728-140954-9e81f9

1.136,3 tok/s

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260730-035052-09627f

1.135,0 tok/s

Nemotron-3.5-Lightning-30B-A3BNVIDIA GeForce RTX 3090 Ti · run-20261021-093815-b22926

1.135,0 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260729-032121-058a31

1.113,5 tok/s

Nemotron-3-Nano-4B3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-836a91

1.090,6 tok/s

Nemotron-3-Nano-4B3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260727-181606-8b381e

1.077,4 tok/s

Nemotron-3-Nano-4B3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-b8a818

1.071,0 tok/s

Nemotron-3-Nano-4B3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260728-194136-038e92

1.051,1 tok/s

gpt-oss-20b3× 3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition · run-20260729-032121-ffb18a

1.015,5 tok/s

NVIDIA-Nemotron-3.5-Super-VL-120B-A12B this runNVIDIA GB10 (DGX Spark) · run-20261019-131541-0e0c1b

54,1 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 5× concurrent · Generation (tok/s)

NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20261016-101741-a6fae7

795,0 tok/s

NVIDIA GB10 this runrun-20261019-131541-0e0c1b

54,1 tok/s

Hardware

GPU: NVIDIA GB10 · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10

Setup

Runtime: vLLM
Quantization: NVFP4
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: NVIDIA-Nemotron-3.5-Super-VL-120B-A12B

Configuration

benchmark-konfiguration — run-20261019-131541-0e0c1b

# LLM-Benchmark Konfiguration # Modell : NVIDIA-Nemotron-3.5-Super-VL-120B-A12B # Engine : vLLM # Run-ID : run-20261019-131541-0e0c1b # GPU : NVIDIA GB10 # CPU : NVIDIA Grace # RAM : 120 GB bench@llm-benchmark:~$ /usr/bin/python3 /usr/local/bin/vllm serve /model \ --served-model-name nemotron-3.5-super-vl \ --trust-remote-code \ --max-num-seqs 12 \ --max-model-len 32768 \ --gpu-memory-utilization 0.80 \ --max-num-batched-tokens 8192 \ --limit-mm-per-prompt '{"image":1,"video":0}' \ --video-pruning-rate 0.5 \ --mamba-backend flashinfer \ --mamba-ssm-cache-dtype float16 \ --enable-mamba-cache-stochastic-rounding \ --mamba-cache-philox-rounds 5 \ --enable-mamba-shared-prefix-checkpoint \ --block-size 64 \ --prefix-match-unit 64 \ --reasoning-parser nemotron_v3 \ --default-chat-template-kwargs '{"enable_thinking":false}'

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-3.5-super-vl
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	32768
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	nemotron-3.5-super-vl
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
Max-Sequenzen?Maximale Anzahl gleichzeitig bearbeiteter Anfragen (Batch-Groesse). Hoeher = mehr Durchsatz, braucht aber mehr KV-Cache-Speicher.	12
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	32768
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'.	0.80
Max-Batch-Tokens?Maximale Anzahl Tokens, die pro Rechenschritt gebuendelt verarbeitet werden. Beeinflusst Prefill-Durchsatz und Latenz.	8192
limit-mm-per-prompt?Obergrenze fuer multimodale Eingaben pro Prompt (z.B. Anzahl Bilder). Nur fuer multimodale Modelle relevant.	{"image":1,"video":0}
video-pruning-rate	0.5
mamba-backend	flashinfer
mamba-ssm-cache-dtype	float16
enable-mamba-cache-stochastic-rounding	aktiv
mamba-cache-philox-rounds	5
enable-mamba-shared-prefix-checkpoint	aktiv
Block-Groesse?Groesse eines KV-Cache-Blocks in Tokens (z.B. 16). Interne Speicherverwaltung - normalerweise nicht aendern.	64
prefix-match-unit	64
Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken).	nemotron_v3
default-chat-template-kwargs	{"enable_thinking":false}
execution_type	local

All benchmarks of this model To leaderboard

Model comparison

NVIDIA-Nemotron-3.5-Super-VL-120B-A12B 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 Max-Q Workstation Edition 1.562,3 tok/s★ NVIDIA GB10 (DGX Spark) 79,8 tok/s this run

CPUby processor

AMD Ryzen 9 7945HX with Radeon Graphics 1.562,3 tok/s★ NVIDIA Grace 79,8 tok/s this run

MBby mainboard

Shenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 1.562,3 tok/s★ ASUSTeK COMPUTER INC. GX10 79,8 tok/s this run

ENGby engine

★ vLLM 1.562,3 tok/s this run

DRVby driver

unbekannt 1.562,3 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 79,8 tok/s this run

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (5× 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 15 W

⚡ TDP 140 W

☁️ External LLM (API) show

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

Electricity0.30 EUR/kWh

Avg power (incl. idle)140 W estimated (TDP)GPU 140 W full load

Avg cost / hourEUR 0.042

Electricity / 1M tokensEUR 0.22

Token / kWh1.39M

Acquisition (system)EUR 5,800 partial priceGPU EUR 4,000 · RAM EUR 1,680 · PSU EUR 120

Electricity (2 years)–

TCO (2 years)EUR 6,536

Output tokens (2 years)3.41B

☁️ 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 (15 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

	NVIDIA-Nemotron-3.5-Super-VL-120B-A12BNVIDIA GB10 (DGX Spark)	NVIDIA-Nemotron-3.5-Super-VL-120B-A12BNVIDIA 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)	–	–

NVIDIA GB10 (DGX Spark) · this run 54 tok/s NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 795 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.