Created bymario-alka.dePowered bynoob2claw.detricoma.de
Beigesteuert vonMario AlkaGoogle

gemma4:31b

Performancebenchmark · gemessen am 20.07.2026 12:02

Benchmark-IDrun-20260722-165903-ccf529
Dense31BRuntime: godclawQuantisierung: INT8
Generation24,36tok/s
Prefill308,67tok/s
Time to First Token91,00ms
Gesamtdauer2,97s
Concurrency1parallel
Einordnung im Feld
300von 496 Systemen

Performancebenchmark · Leitmetrik: Generation-Speed (tok/s) · 1× parallel

Dieser Lauf ist besser als 39 % aller vergleichbaren Systeme.
Generation 24,4 tok/s
-37 % vs Ø 38,4
Prefill 308,7 tok/s
-85 % vs Ø 2.069,9
Time to First Token 91 ms
-100 % vs Ø 32.977
Verteilung im Feld1 – 227 tok/s
Ø 38 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

Wie schlägt sich dieser Benchmark mit anderen GPUs?

Dasselbe Modell auf anderer Hardware · 1× parallel · Generation (tok/s)

Hardware

GPU: 3x AMD Radeon AI PRO R9700 · 32 GB VRAM
CPU: 32x AMD Ryzen Threadripper PRO 7955WX 16-Cores
RAM: 184 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE

Setup

Runtime: godclaw
Quantisierung: INT8
Betriebssystem: Ubuntu 26.04 LTS (Kernel 7.0.0-27-generic)
Treiber: AMD 7.0.0-27-generic
Modell: gemma4:31b

Konfiguration

benchmark-konfiguration — run-20260722-165903-ccf529
# LLM-Benchmark Konfiguration # Modell : gemma4:31b # Run-ID : run-20260722-165903-ccf529 # GPU : 3x AMD Radeon AI PRO R9700 # CPU : 32x AMD Ryzen Threadripper PRO 7955WX 16-Cores # RAM : 184 GB bench@llm-benchmark:~$ cat benchmark.conf Konfigurationspfad nameistoken/Gemma-4-31B-it-Quark-W8A8-INT8 Engine vllm Modellalias gemma-4-31b-it-int8 Kontextlaenge 4096 Tensor-Parallel 2 Dtype auto GPU-Speicher 0.92 Enforce-Eager aktiv Host 0.0.0.0 Port 8000
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.gemma-4-31b-it-int8
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.4096
Alias?Name, unter dem vLLM das Modell in der API anbietet. Der Client muss im Request-Feld 'model' exakt diesen Namen senden.gemma-4-31b-it-int8
Tensor-Parallel?Anzahl GPUs, auf die JEDER einzelne Modell-Layer aufgeteilt wird (Tensor-Parallelitaet). Mehr GPUs = mehr VRAM und meist mehr Speed, aber die Anzahl der Attention-Heads muss durch diesen Wert teilbar sein (z.B. 32 Heads -> nur 1, 2, 4, 8 ... moeglich, NICHT 3).2
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.auto
Kontext?Maximale Kontextlaenge in Tokens (Eingabe + Ausgabe zusammen). Begrenzt, wie gross eine einzelne Anfrage sein darf.4096
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
Enforce-Eager?Schaltet die optimierte Graph-Ausfuehrung (CUDA-/HIP-Graphs) AB und rechnet Schritt fuer Schritt. Startet schneller und spart etwas VRAM, ist im laufenden Betrieb aber meist langsamer als mit Graphs.aktiv
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
Host?Netzwerk-Adresse, an die der API-Server bindet. 0.0.0.0 = auf allen Netzwerk-Schnittstellen erreichbar.0.0.0.0
Port?TCP-Port, auf dem der API-Server lauscht (bei vLLM standardmaessig 8000).8000

Alle Benchmarks dieses Modells Zum Leaderboard

Anzeige
Modell-Vergleich

gemma4:31b 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

22116611155,40,0433887331.078Prefill (tok/s)Generation (tok/s)NVIDIA GeForce RTX 3090 Ti - 174,1 tok/s Generation, 901 tok/s Prefill, TTFT 22.889 ms (6 Laufe)NVIDIA GeForce RTX 30...AMD Radeon AI PRO R9700 - 24,4 tok/s Generation, 219 tok/s Prefill, TTFT 271 ms (8 Laufe) | DIESER LAUF★ AMD Radeon AI PRO R97...
NVIDIA GeForce RTX 3090 Ti 174,1 tok/s★ AMD Radeon AI PRO R9700 24,4 tok/s dieser Lauf

CPUnach Prozessor

22116611155,40,0433887331.078Prefill (tok/s)Generation (tok/s)AMD Ryzen 5 5600X 6-Core Processor - 174,1 tok/s Generation, 901 tok/s Prefill, TTFT 22.889 ms (6 Laufe)AMD Ryzen 5 5600X 6-C...AMD Ryzen Threadripper PRO 7955WX 16-Cores - 24,4 tok/s Generation, 219 tok/s Prefill, TTFT 271 ms (8 Laufe) | DIESER LAUF★ AMD Ryzen Threadrippe...
AMD Ryzen 5 5600X 6-Core Processor 174,1 tok/s★ AMD Ryzen Threadripper PRO 7955WX 16-Cores 24,4 tok/s dieser Lauf

MBnach Mainboard

22116611155,40,0433887331.078Prefill (tok/s)Generation (tok/s)ASUSTeK COMPUTER INC. PRIME A520M-K - 174,1 tok/s Generation, 901 tok/s Prefill, TTFT 22.889 ms (6 Laufe)ASUSTeK COMPUTER INC....ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE - 24,4 tok/s Generation, 219 tok/s Prefill, TTFT 271 ms (8 Laufe) | DIESER LAUF★ ASUSTeK COMPUTER INC....
ASUSTeK COMPUTER INC. PRIME A520M-K 174,1 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 24,4 tok/s dieser Lauf

ENGnach Engine

22116611155,40,0108319529740Prefill (tok/s)Generation (tok/s)unbekannt - 174,1 tok/s Generation, 628 tok/s Prefill, TTFT 13.842 ms (10 Laufe)unbekanntvLLM - 24,4 tok/s Generation, 219 tok/s Prefill, TTFT 271 ms (4 Laufe)vLLM
unbekannt 174,1 tok/svLLM 24,4 tok/s

DRVnach Treiber

22116611155,40,0108319529740Prefill (tok/s)Generation (tok/s)unbekannt - 174,1 tok/s Generation, 628 tok/s Prefill, TTFT 13.842 ms (10 Laufe)unbekanntAMD 7.0.0-27-generic - 24,4 tok/s Generation, 219 tok/s Prefill, TTFT 271 ms (4 Laufe) | DIESER LAUF★ AMD 7.0.0-27-generic
unbekannt 174,1 tok/s★ AMD 7.0.0-27-generic 24,4 tok/s dieser Lauf
💰 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 übernehmenZurücksetzen
⚡ Strompreis EUR/kWh
⚙️ System-Auslastung 100 %
🖥️ Anschaffung EUR
🔌 Idle 105 W
⚡ TDP 671 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)671 W geschätzt (TDP)GPU 600 + CPU 46 + Board 25 W Volllast
Ø-Kosten / Stunde0,20 EUR
Strom / 1 Mio. Token2,30 EUR
Token / kWh130,69 Tsd.
Anschaffung (System)8.254 EUR VollpreisGPU 2.800 EUR · CPU 1.399 EUR · Board 1.299 EUR · RAM 2.576 EUR · Netzteil 180 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)11.781 EUR
Output-Token (2 Jahre)1,54 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 (105 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

gemma4:31b2x AMD Radeon AI PRO R9700gemma4:31bNVIDIA GeForce RTX 3090 Tigemma4:31bNVIDIA GeForce RTX 3090 Tigemma4:31b2x AMD 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)––––

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.