# 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

All benchmarks of this model To leaderboard

Model comparison

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

CPUby processor

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

MBby mainboard

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

ENGby engine

★ vLLM 2.263,7 tok/s this runllama.cpp 286,2 tok/s

DRVby driver

unbekannt 2.263,7 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (10× 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 25 W

⚡ TDP 450 W

☁️ External LLM (API) show

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

Electricity0.30 EUR/kWh

Avg power (incl. idle)450 W estimated (TDP)GPU 450 W full load

Avg cost / hourEUR 0.14

Electricity / 1M tokensEUR 0.017

Token / kWh18.11M

Acquisition (system)EUR 1,270 partial priceGPU EUR 999 · CPU EUR 121 · PSU EUR 150

Electricity (2 years)–

TCO (2 years)EUR 3,635

Output tokens (2 years)142.78B

☁️ 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 (25 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

	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
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 GeForce RTX 3090 Ti · this run 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

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

Marcel Sommer

@marcelsommer