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

gemma4:31b

Performancebenchmark · gemessen am 20.07.2026 15:02

Benchmark-IDrun-20260722-165905-25ce4d
Timebench 2 - Token-Generation / Output-DurchsatzDense31BRuntime: vLLMQuantisierung: INT8
Generation11,19tok/s
Prefill162,23tok/s
Time to First Token716,30ms
Gesamtdauer276,70s
Concurrency1parallel
Einordnung im Feld
1589von 1927 Systemen

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

Dieser Lauf ist besser als 17 % aller vergleichbaren Systeme.
Generation 11,2 tok/s
-86 % vs Ø 77,5
Prefill 162,2 tok/s
-94 % vs Ø 2.844,6
Time to First Token 716 ms
-97 % vs Ø 23.755
Verteilung im Feld0 – 471 tok/s
Ø 78 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: AMD Ryzen Threadripper PRO 7955WX 16-Cores
RAM: 184 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE

Setup

Runtime: vLLM
Quantisierung: INT8
Modell: gemma4:31b

Konfiguration

benchmark-konfiguration — run-20260722-165905-25ce4d
# LLM-Benchmark Konfiguration # Modell : gemma4:31b # Engine : vLLM # Run-ID : run-20260722-165905-25ce4d # GPU : 3x AMD Radeon AI PRO R9700 # CPU : AMD Ryzen Threadripper PRO 7955WX 16-Cores # RAM : 184 GB bench@llm-benchmark:~$ /opt/python/bin/python /opt/python/bin/vllm serve nameistoken/Gemma-4-31B-it-Quark-W8A8-INT8 \ --served-model-name gemma-4-31b-it-int8 \ --tensor-parallel-size 1 \ --pipeline-parallel-size 3 \ --dtype auto \ --max-model-len 4096 \ --gpu-memory-utilization 0.92 \ --enforce-eager \ --trust-remote-code \ --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?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.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).1
Pipeline-Parallel?Anzahl GPUs, auf die die Modell-Layer der Reihe nach (als Pipeline) verteilt werden. Nutzt mehrere GPUs OHNE Teilbarkeits-Anforderung der Heads; erhoeht vor allem Kapazitaet und Durchsatz, die Latenz einer einzelnen Anfrage aber nicht zwingend.3
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.auto
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.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

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) | DIESER LAUF★ vLLM
unbekannt 174,1 tok/s★ vLLM 24,4 tok/s dieser Lauf

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)AMD 7.0.0-27-generic
unbekannt 174,1 tok/sAMD 7.0.0-27-generic 24,4 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 übernehmenZurücksetzen
⚡ Strompreis EUR/kWh
⚙️ System-Auslastung 100 %
🖥️ Anschaffung EUR
🔌 Idle 125 W
⚡ TDP 971 W
☁️ Externes LLM (API)
Strompreis0,30 EUR/kWh
Ø-Leistung (inkl. Idle)971 W geschätzt (TDP)GPU 900 + CPU 46 + Board 25 W Volllast
Ø-Kosten / Stunde0,29 EUR
Strom / 1 Mio. Token7,23 EUR
Token / kWh41,49 Tsd.
Anschaffung (System)9.674 EUR VollpreisGPU 4.200 EUR · CPU 1.399 EUR · Board 1.299 EUR · RAM 2.576 EUR · Netzteil 200 EUR
Stromkosten (2 Jahre)–
TCO (2 Jahre)14.778 EUR
Output-Token (2 Jahre)705,78 Mio.
☁️ 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 (125 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

gemma4:31b3x 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.