ℹ

Öffentliche Anmerkung: 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

Zur Einordnung: Diese Plattform nutzt Unified Memory – die "VRAM" ist gemeinsamer System-RAM (APU/Superchip); das Modell teilt sich den Speicher mit dem System.

Generation79,84tok/s

Prefill3.760,03tok/s

Time to First Token5.877,50ms

Gesamtdauer268,45s

Concurrency10parallel

Einordnung im Feld

Diese GPU Alle GPUs

27von 29 Systemen

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

Dieser Lauf ist besser als 7 % aller vergleichbaren Systeme.

Generation 79,8 tok/s

-70 % vs Ø 264,1

Prefill 3.760,0 tok/s

-8 % vs Ø 4.086,3

Time to First Token 5.878 ms

-78 % vs Ø 26.809

Verteilung im Feld64 – 903 tok/s

Ø 264 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gemma-4-E2B-itNVIDIA GB10 (DGX Spark) · run-20260729-224611-cc3776

903,3 tok/s

gemma-4-E2B-itNVIDIA GB10 (DGX Spark) · run-20260729-224610-32ded2

860,9 tok/s

Qwen3.8-Flash-NextNVIDIA GB10 (DGX Spark) · run-20261013-151008-fdcb3e

492,8 tok/s

gemma-4-E4B-itNVIDIA GB10 (DGX Spark) · run-20260730-084906-3e426d

488,2 tok/s

gemma-4-E4B-itNVIDIA GB10 (DGX Spark) · run-20260729-224611-9fe5af

484,8 tok/s

gemma-4-E4B-itNVIDIA GB10 (DGX Spark) · run-20260729-224611-0a62d6

455,1 tok/s

Qwen3.8-Flash-NextNVIDIA GB10 (DGX Spark) · run-20261013-165111-6f74d0

420,2 tok/s

Nemotron-3-Nano-4BNVIDIA GB10 (DGX Spark) · run-20260730-084906-84663c

367,8 tok/s

Nemotron-3-Nano-4BNVIDIA GB10 (DGX Spark) · run-20260730-035052-93e207

354,3 tok/s

Ling-3.0-flashNVIDIA GB10 (DGX Spark) · run-20260820-173706-52a2df

253,7 tok/s

Ling-3.0-flashNVIDIA GB10 (DGX Spark) · run-20260820-131510-16a6a0

250,7 tok/s

Ling-3.0-flashNVIDIA GB10 (DGX Spark) · run-20260820-131510-6c0f64

247,8 tok/s

gpt-oss-20bNVIDIA GB10 (DGX Spark) · run-20260820-194812-1bb2eb

202,1 tok/s

Qwen3-Coder-30B-A3B-InstructNVIDIA GB10 (DGX Spark) · run-20260820-205402-b9c794

182,9 tok/s

NVIDIA-Nemotron-3.5-Super-VL-120B-A12B dieser LaufNVIDIA GB10 (DGX Spark) · run-20261019-131541-63a665

79,8 tok/s

Wie schlägt sich dieser Benchmark mit anderen GPUs?

Dasselbe Modell auf anderer Hardware · 10× parallel · Generation (tok/s)

NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20261016-101741-841f05

1.562,3 tok/s

NVIDIA GB10 dieser Laufrun-20261019-131541-63a665

79,8 tok/s

Hardware

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

Setup

Runtime: vLLM
Quantisierung: NVFP4
Treiber: NVIDIA 590.48.01 / CUDA 13.1
Modell: NVIDIA-Nemotron-3.5-Super-VL-120B-A12B

Konfiguration

benchmark-konfiguration — run-20261019-131541-63a665

# LLM-Benchmark Konfiguration # Modell : NVIDIA-Nemotron-3.5-Super-VL-120B-A12B # Engine : vLLM # Run-ID : run-20261019-131541-63a665 # 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

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

NVIDIA-Nemotron-3.5-Super-VL-120B-A12B 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 PRO 6000 Blackwell Max-Q Workstation Edition 1.562,3 tok/s★ NVIDIA GB10 (DGX Spark) 79,8 tok/s dieser Lauf

CPUnach Prozessor

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

MBnach Mainboard

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

ENGnach Engine

★ vLLM 1.562,3 tok/s dieser Lauf

DRVnach Treiber

unbekannt 1.562,3 tok/s★ NVIDIA 590.48.01 / CUDA 13.1 79,8 tok/s dieser Lauf

💰 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 übernehmen Zurücksetzen

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 15 W

⚡ TDP 140 W

☁️ Externes LLM (API) anzeigen

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

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)140 W geschätzt (TDP)GPU 140 W Volllast

Ø-Kosten / Stunde0,042 EUR

Strom / 1 Mio. Token0,15 EUR

Token / kWh2,05 Mio.

Anschaffung (System)5.800 EUR TeilpreisGPU 4.000 EUR · RAM 1.680 EUR · Netzteil 120 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)6.536 EUR

Output-Token (2 Jahre)5,04 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 (15 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

	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
Kosten Strom (24 Mon.)	–	–
Kosten Anschaffung	–	–
Kosten Gesamt (TCO)	–	–
Generierte Token (24 Mon.)	–	–
Tokenpreis bei API	–	–
Break-Even-Point (Tage)	–	–
Ergebnis (Ersparnis / Ausgabe)	–	–

NVIDIA GB10 (DGX Spark) · dieser Lauf 80 tok/s NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.562 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.