Created bymario-alka.dePowered bygodcore.denoob2claw.detricoma.de
DEEN
Sign in Sign up
Beta
Contributed byMario AlkaNVIDIA

Nemotron-Cascade-2-30B-A3B

Performancebenchmark · measured on 23.07.2026 00:55

Benchmark-IDrun-20260723-015520-d2cd35
Timebench 3 - Kombi (Prefill + Generation)MoE30BRuntime: llama.cppQuantisierung: Q4_K_M
Generation5,86tok/s
Prefill61,21tok/s
Time to First Token35.481,00ms
Total duration420,63s
Concurrency1parallel
Einordnung im Feld
563von 597 Systemen

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

Dieser Lauf ist besser als 6 % aller vergleichbaren Systeme.
Generation 5,9 tok/s
-98 % vs Ø 244,1
Prefill 61,2 tok/s
-99 % vs Ø 5.353,8
Time to First Token 35.481 ms
+170 % vs Ø 13.148
Verteilung im Feld0 – 1.444 tok/s
Ø 244 Median Dieser Lauf

Wie schlägt sich dieser Benchmark?

gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-194447-dc199d
1.443,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260724-004604-1c9023
1.386,8 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260723-045447-edeed3
1.295,3 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004606-ebf474
1.070,6 tok/s
Qwen3-VL-30B-A3B-InstructNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004607-c49303
1.028,5 tok/s
Ministral-3-14B-Reasoning-2512NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-195749-eebab2
1.015,7 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA GeForce RTX 5090 · run-20260723-045450-366dae
966,2 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004604-860045
961,5 tok/s
Codestral-22B-v0.1NVIDIA GeForce RTX 5090 · run-20260724-004612-002f8b
945,4 tok/s
Devstral-Small-2-24B-Instruct-2512NVIDIA GeForce RTX 5090 · run-20260724-004615-7fac5f
924,8 tok/s
Qwen3-Omni-30B-A3B-ThinkingNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004611-a583d6
910,7 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GeForce RTX 5090 · run-20260723-045450-e8df4d
909,3 tok/s
Qwen3-30B-A3B-Thinking-2507NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260724-004605-f9a3a1
906,0 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GeForce RTX 3090 Ti · run-20260724-004603-3aec22
901,9 tok/s
Nemotron-Cascade-2-30B-A3B dieser LaufKeine GPU (CPU-only) · run-20260723-015520-d2cd35
5,9 tok/s

Hardware

GPU: Keine GPU (CPU-only)
CPU: 51x Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz
RAM: 504 GB
Mainboard: Dell Inc. PowerEdge R820

Setup

Runtime: llama.cpp
Quantization: Q4_K_M
Operating system: Ubuntu 24.04.3 LTS (Kernel 7.0.0-28-generic)
Model: Nemotron-Cascade-2-30B-A3B

Configuration

benchmark-konfiguration — run-20260723-015520-d2cd35
# LLM-Benchmark Konfiguration # Modell : Nemotron-Cascade-2-30B-A3B # Engine : llama.cpp # Run-ID : run-20260723-015520-d2cd35 # GPU : Keine GPU (CPU-only) # CPU : 51x Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz # RAM : 504 GB bench@llm-benchmark:~$ /opt/llama.cpp/build/bin/llama-server \ -m /opt/models/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \ --host 10.220.231.216 \ --port 8081 \ --numa distribute \ -t 64 \ -tb 64 \ -c 8192
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
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.8192
Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird./opt/models/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf
NUMA?NUMA-Optimierung fuer Multi-Socket-CPUs: distribute/isolate/numactl. Verbessert die Speicherlokalitaet.distribute
Threads?Anzahl CPU-Threads fuer die Token-Generierung (Decode).64
Batch-Threads?Anzahl CPU-Threads fuer Prompt-Verarbeitung und Batch (Prefill).64
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.8192

Alle Benchmarks dieses Modells Zum Leaderboard

Model comparison

Nemotron-Cascade-2-30B-A3B auf verschiedener Hardware

Alle veroeffentlichten 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

35026317587,60,001.7223.4445.165Prefill (tok/s)Generation (tok/s)AMD Radeon AI PRO R9700 - 270,4 tok/s Generation, 4.176 tok/s Prefill, TTFT 2.428 ms (3 Laufe)AMD Radeon AI PRO R97...AMD Radeon 8060S Graphics - 114,5 tok/s Generation, 1.173 tok/s Prefill, TTFT 8.896 ms (3 Laufe)AMD Radeon 8060S Grap...CPU-only - 5,9 tok/s Generation, 72 tok/s Prefill, TTFT 130.288 ms (3 Laufe) | DIESER LAUF★ CPU-only
AMD Radeon AI PRO R9700 270,4 tok/sAMD Radeon 8060S Graphics 114,5 tok/s★ CPU-only 5,9 tok/s dieser Lauf

CPUnach Prozessor

35026317587,60,001.7223.4445.165Prefill (tok/s)Generation (tok/s)AMD Ryzen Threadripper PRO 7955WX 16-Cores - 270,4 tok/s Generation, 4.176 tok/s Prefill, TTFT 2.428 ms (3 Laufe)AMD Ryzen Threadrippe...AMD RYZEN AI MAX+ 395 w/ Radeon 8060S - 114,5 tok/s Generation, 1.173 tok/s Prefill, TTFT 8.896 ms (3 Laufe)AMD RYZEN AI MAX+ 395...Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz - 5,9 tok/s Generation, 72 tok/s Prefill, TTFT 130.288 ms (3 Laufe) | DIESER LAUF★ Intel(R) Xeon(R) CPU ...
AMD Ryzen Threadripper PRO 7955WX 16-Cores 270,4 tok/sAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 114,5 tok/s★ Intel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 5,9 tok/s dieser Lauf

MBnach Mainboard

35026317587,60,001.7223.4445.165Prefill (tok/s)Generation (tok/s)ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE - 270,4 tok/s Generation, 4.176 tok/s Prefill, TTFT 2.428 ms (3 Laufe)ASUSTeK COMPUTER INC....Meigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) - 114,5 tok/s Generation, 1.173 tok/s Prefill, TTFT 8.896 ms (3 Laufe)Meigao Innovation Tec...Dell Inc. PowerEdge R820 - 5,9 tok/s Generation, 72 tok/s Prefill, TTFT 130.288 ms (3 Laufe) | DIESER LAUF★ Dell Inc. PowerEdge R...
ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 270,4 tok/sMeigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 114,5 tok/s★ Dell Inc. PowerEdge R820 5,9 tok/s dieser Lauf

ENGnach Engine

2972842702572431.6991.7711.8431.915Prefill (tok/s)Generation (tok/s)llama.cpp - 270,4 tok/s Generation, 1.807 tok/s Prefill, TTFT 47.204 ms (9 Laufe) | DIESER LAUF★ llama.cpp
★ llama.cpp 270,4 tok/s dieser Lauf

DRVnach Treiber

35026317587,60,001.7223.4445.165Prefill (tok/s)Generation (tok/s)AMD 7.0.0-27-generic - 270,4 tok/s Generation, 4.176 tok/s Prefill, TTFT 2.428 ms (3 Laufe)AMD 7.0.0-27-genericROCm 7.2.0 - 114,5 tok/s Generation, 1.173 tok/s Prefill, TTFT 8.896 ms (3 Laufe)ROCm 7.2.0unbekannt - 5,9 tok/s Generation, 72 tok/s Prefill, TTFT 130.288 ms (3 Laufe)unbekannt
AMD 7.0.0-27-generic 270,4 tok/sROCm 7.2.0 114,5 tok/sunbekannt 5,9 tok/s
Contributed by

Mario Alka Administrator

@marioalka

Gruender von godcore.de und Betreiber von llm-benchmark.de. Ich teste KI-Sprachmodelle auf echter Hardware, messe Tempo (Token/s) und Aufgaben-Qualitaet und teile die Ergebnisse offen und reproduzierbar.