# LLM-Benchmark Konfiguration # Modell : gpt-oss-120b # Engine : llama.cpp # Run-ID : run-20261024-143953-4614bb # GPU : NVIDIA RTX SPARK (N1X) # CPU : NVIDIA RTX Spark N1X (6144-core GPU, 20-core CPU) # RAM : 128 GB bench@llm-benchmark:~$ 'C:\Users\mail\.lmstudio\extensions\backends\llama.cpp-win-arm64-nvidia-cuda13-2.61.0\llama-server.exe' \ --model 'C:\Users\mail\Documents\Codex\2026-10-24\mach\work\models\gpt-oss-120b-MXFP4.gguf' \ --alias benchmark-local \ --host 127.0.0.1 \ --port 18765 \ --device CUDA0 \ --gpu-layers all \ --parallel 10 \ --kv-unified \ --kv-unified-per-slot 4096 \ --cache-type-k q8_0 \ --cache-type-v q8_0 \ --threads 20 \ --threads-batch 20 \ --batch-size 1024 \ --ubatch-size 256 \ --flash-attn on \ --fit off \ --no-cache-prompt \ --no-cache-idle-slots \ --cache-ram 0 \ --spec-type none \ --metrics \ --slots

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.	gpt-oss-120b
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	4096
Batch-Groesse?Logische Batchgroesse fuer die Prompt-Verarbeitung (Anzahl Token pro Prefill-Durchlauf).	1024
cache-ram	0
K-Cache-Typ?Datentyp des K-Anteils im KV-Cache (f16/q8_0/q4_0 ...). Quantisiert senkt den VRAM-Bedarf bei leichtem Qualitaetsverlust.	q8_0
V-Cache-Typ?Datentyp des V-Anteils im KV-Cache (f16/q8_0/q4_0 ...). Quantisierung braucht meist aktiviertes flash-attn.	q8_0
device	CUDA0
fit	off
Flash Attention?FlashAttention fuer schnellere und speichersparende Attention. Wert on/off/auto je nach Build.	on
GPU-Layer?Anzahl der auf die GPU ausgelagerten Modell-Layer. Hoeher = mehr VRAM und schneller; der Rest laeuft auf der CPU. 999 = alles auf GPU.	all
kv-unified	aktiv
kv-unified-per-slot	4096
metrics	aktiv
Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird.	C:\Users\mail\Documents\Codex\2026-10-24\mach\work\models\gpt-oss-120b-MXFP4.gguf
no-cache-idle-slots	aktiv
no-cache-prompt	aktiv
Parallel?Anzahl paralleler Slots/Sequenzen, die der Server gleichzeitig bedient. Der Kontext wird auf die Slots aufgeteilt.	10
slots	aktiv
spec-type	none
Threads?Anzahl CPU-Threads fuer die Token-Generierung (Decode).	20
Batch-Threads?Anzahl CPU-Threads fuer Prompt-Verarbeitung und Batch (Prefill).	20
Micro-Batch?Physische Micro-Batchgroesse. Begrenzt, wie viele Token gleichzeitig durch die Compute-Pipeline laufen.	256
execution_type	local

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

gpt-oss-120b 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 Workstation Edition 1.335,9 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.229,7 tok/sAMD Radeon PRO W7900 Dual Slot 216,2 tok/sNVIDIA DGX SPARK (GB10) 135,1 tok/s★ NVIDIA RTX SPARK (N1X) 111,9 tok/s dieser LaufAMD Radeon AI PRO R9700 107,0 tok/sNVIDIA GeForce RTX 3090 Ti 85,3 tok/sNVIDIA GeForce RTX 5070 Ti 60,1 tok/sNVIDIA GeForce RTX 5090 42,3 tok/sIntel Arc Pro B70 32,4 tok/sNVIDIA GeForce RTX 3090 18,1 tok/sAMD Radeon RX 7900 XTX 16,3 tok/sNVIDIA GeForce RTX 2060 6,8 tok/sCPU-only 5,3 tok/s

CPUnach Prozessor

AMD Ryzen 9 9950X 16-Core Processor 1.335,9 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.229,7 tok/sAMD Ryzen Threadripper PRO 5975WX 32-Cores 216,2 tok/sNVIDIA Grace 135,1 tok/s★ NVIDIA RTX Spark N1X (6144-core GPU, 20-core CPU) 111,9 tok/s dieser LaufAMD Ryzen Threadripper PRO 7955WX 16-Cores 107,0 tok/sAMD Ryzen 9 8945HX with Radeon Graphics 85,3 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 42,3 tok/sAMD Ryzen 9 7945HX with Radeon Graphics 32,4 tok/sAMD Ryzen 5 5600X 6-Core Processor 18,1 tok/sIntel(R) Xeon(R) CPU E5-4657L v2 @ 2.40GHz 16,3 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 5,3 tok/s

MBnach Mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.335,9 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.229,7 tok/sASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 216,2 tok/sASUSTeK COMPUTER INC. GX10 135,1 tok/s★ ASUS H7607BA 111,9 tok/s dieser LaufMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 85,3 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 42,3 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 32,4 tok/sDell Inc. PowerEdge R820 16,3 tok/s

ENGnach Engine

★ llama.cpp 1.335,9 tok/s dieser Laufunbekannt 99,8 tok/svLLM 21,5 tok/s

DRVnach Treiber

unbekannt 1.335,9 tok/sNVIDIA 590.48.01 / CUDA 13.1 135,1 tok/sAMD 7.0.0-27-generic 99,8 tok/sIntel 26.18.38308.4 32,4 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (5× 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 %

🔌 Idle 0 W

⚡ TDP 10 W

☁️ Externes LLM (API) anzeigen

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

Strompreis0,30 EUR/kWh

Ø-Leistung (inkl. Idle)0 W fehlt

Ø-Kosten / Stunde–

Strom / 1 Mio. Token–

Token / kWh–

Anschaffung (System)– fehlt

Stromkosten (2 Jahre)–

TCO (2 Jahre)–

Output-Token (2 Jahre)4,99 Mrd.

☁️ Externes LLM (API) – Vergleich

Externe LLM-Kosten (2 Jahre)–

Ersparnis vs. extern (2 Jahre)–

Keine Leistungsaufnahme gemessen – Werte geschätzt aus GPU-TDP + CPU (Idle + 15 %) + Board.

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 (0 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

	gpt-oss-120bNVIDIA RTX SPARK (N1X)	gpt-oss-120bNVIDIA RTX PRO 6000 Blackwell Workstation Edition	gpt-oss-120bNVIDIA RTX PRO 6000 Blackwell Workstation Edition	gpt-oss-120b3x NVIDIA 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 RTX SPARK (N1X) · dieser Lauf 79 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 774 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 765 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 706 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.