# LLM-Benchmark Konfiguration # Modell : NVIDIA-Nemotron-3.5-Lightning-30B-A3B # Engine : llama.cpp # Run-ID : run-20261024-151236-ea3b5f # 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\NVIDIA-Nemotron-3.5-Lightning-30B-A3B-Q4_0.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.	Nemotron-3.5-Lightning-30B-A3B
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\NVIDIA-Nemotron-3.5-Lightning-30B-A3B-Q4_0.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

NVIDIA-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/sAMD Radeon AI PRO R9700 290,3 tok/s★ NVIDIA RTX SPARK (N1X) 146,9 tok/s dieser LaufNVIDIA GeForce RTX 3090 140,0 tok/sNVIDIA DGX SPARK (GB10) 136,6 tok/s

CPUnach Prozessor

AMD Ryzen 5 5600X 6-Core Processor 2.263,7 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 290,3 tok/sAMD Ryzen 3 3100 4-Core Processor 283,5 tok/s★ NVIDIA RTX Spark N1X (6144-core GPU, 20-core CPU) 146,9 tok/s dieser LaufNVIDIA Grace 136,6 tok/s

MBnach Mainboard

ASUSTeK COMPUTER INC. PRIME A520M-K 2.263,7 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 290,3 tok/sASUSTeK COMPUTER INC. ROG STRIX X570-F GAMING 283,5 tok/s★ ASUS H7607BA 146,9 tok/s dieser LaufASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 140,0 tok/sASUSTeK COMPUTER INC. GX10 136,6 tok/s

ENGnach Engine

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

DRVnach Treiber

unbekannt 2.263,7 tok/sNVIDIA 590.48.01 / CUDA 13.1 136,6 tok/s

💰 Economics

Wirtschaftlichkeit dieses Laufs

Betriebskosten, TCO und Vergleich mit den nächstbesten Läufen desselben Modells bei identischer Concurrency (1× 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)4,18 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

	NVIDIA-Nemotron-3.5-Lightning-30B-A3BNVIDIA RTX SPARK (N1X)	NVIDIA-Nemotron-3.5-Lightning-30B-A3BNVIDIA GeForce RTX 3090 Ti	NVIDIA-Nemotron-3.5-Lightning-30B-A3BAMD Radeon AI PRO R9700	NVIDIA-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 RTX SPARK (N1X) · dieser Lauf 66 tok/s NVIDIA GeForce RTX 3090 Ti 227 tok/s AMD Radeon AI PRO R9700 121 tok/s AMD Radeon AI PRO R9700 114 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.