# LLM-Benchmark Konfiguration # Modell : Nemotron-3.5-Lightning-30B-A3B # Engine : vLLM # Run-ID : run-20261021-093815-dce558 # GPU : NVIDIA GeForce RTX 3090 Ti # CPU : AMD Ryzen 5 5600X 6-Core Processor # RAM : 30 GB bench@llm-benchmark:~$ /opt/vllm-nemotron/venv/bin/python /opt/vllm-nemotron/venv/bin/vllm serve /home/godcore/models/nemotron35-lightning-30b-a3b-nvfp4 \ --served-model-name nemotron-3.5-lightning-30b-a3b \ --host 192.168.41.116 \ --port 8000 \ --max-model-len 8192 \ --max-num-seqs 1 \ --max-num-batched-tokens 8192 \ --gpu-memory-utilization 0.92 \ --quantization modelopt_fp4 \ --moe-backend humming \ --linear-backend humming \ --mamba-backend flashinfer \ --mamba-cache-mode align \ --mamba-ssu-algorithm simple \ --reasoning-parser nemotron_v3 \ --trust-remote-code

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-lightning-30b-a3b
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	8192
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	nemotron-3.5-lightning-30b-a3b
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	8192
Max-Sequenzen?Maximale Anzahl gleichzeitig bearbeiteter Anfragen (Batch-Groesse). Hoeher = mehr Durchsatz, braucht aber mehr KV-Cache-Speicher.	1
Max-Batch-Tokens?Maximale Anzahl Tokens, die pro Rechenschritt gebuendelt verarbeitet werden. Beeinflusst Prefill-Durchsatz und Latenz.	8192
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'.	0.92
Quantisierung?Quantisierungsverfahren der Gewichte (z.B. awq, gptq, fp8, bitsandbytes). Verkleinert das Modell und spart VRAM, kann die Genauigkeit leicht senken. Leer = keine zusaetzliche Quantisierung.	modelopt_fp4
moe-backend	humming
linear-backend	humming
mamba-backend	flashinfer
mamba-cache-mode	align
mamba-ssu-algorithm	simple
Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken).	nemotron_v3
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
execution_type	local

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Nemotron-3.5-Lightning-30B-A3B 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 GeForce RTX 3090 Ti 2.263,7 tok/s dieser LaufAMD Radeon AI PRO R9700 290,3 tok/s

CPUnach Prozessor

★ AMD Ryzen 5 5600X 6-Core Processor 2.263,7 tok/s dieser LaufAMD Ryzen Threadripper PRO 7955WX 16-Cores 290,3 tok/sAMD Ryzen 3 3100 4-Core Processor 283,5 tok/s

MBnach Mainboard

★ ASUSTeK COMPUTER INC. PRIME A520M-K 2.263,7 tok/s dieser LaufASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 290,3 tok/sASUSTeK COMPUTER INC. ROG STRIX X570-F GAMING 283,5 tok/s

ENGnach Engine

★ vLLM 2.263,7 tok/s dieser Laufllama.cpp 286,2 tok/s

DRVnach Treiber

unbekannt 2.263,7 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 übernehmen Zurücksetzen

⚡ Strompreis EUR/kWh

⚙️ System-Auslastung 100 %

🖥️ Anschaffung EUR

🔌 Idle 25 W

⚡ TDP 450 W

☁️ Externes LLM (API) anzeigen

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

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)450 W geschätzt (TDP)GPU 450 W Volllast

Ø-Kosten / Stunde0,14 EUR

Strom / 1 Mio. Token0,017 EUR

Token / kWh18,11 Mio.

Anschaffung (System)1.270 EUR TeilpreisGPU 999 EUR · CPU 121 EUR · Netzteil 150 EUR

Stromkosten (2 Jahre)–

TCO (2 Jahre)3.635 EUR

Output-Token (2 Jahre)142,78 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 (25 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

	Nemotron-3.5-Lightning-30B-A3BNVIDIA GeForce RTX 3090 Ti	Nemotron-3.5-Lightning-30B-A3BAMD Radeon AI PRO R9700	Nemotron-3.5-Lightning-30B-A3BAMD Radeon AI PRO R9700	Nemotron-3.5-Lightning-30B-A3BAMD Radeon AI PRO R9700
Kosten Strom (24 Mon.)	–	–	–	–
Kosten Anschaffung	–	–	–	–
Kosten Gesamt (TCO)	–	–	–	–
Generierte Token (24 Mon.)	–	–	–	–
Tokenpreis bei API	–	–	–	–
Break-Even-Point (Tage)	–	–	–	–
Ergebnis (Ersparnis / Ausgabe)	–	–	–	–

NVIDIA GeForce RTX 3090 Ti · dieser Lauf 2.264 tok/s AMD Radeon AI PRO R9700 290 tok/s AMD Radeon AI PRO R9700 286 tok/s AMD Radeon AI PRO R9700 284 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

Marcel Sommer

@marcelsommer