NVIDIA
Nemotron-Cascade-2-30B-A3B
Performancebenchmark · gemessen am 23.07.2026 02:44
Benchmark-ID
run-20260723-031252-286996Timebench 3 - Kombi (Prefill + Generation)MoE30BRuntime: llama.cppQuantisierung: Q4_K_M
Generation270,39tok/s
Prefill5.684,30tok/s
Time to First Token3.915,00ms
Gesamtdauer17,81s
Concurrency10parallel
Einordnung im Feld
21von 347 Systemen
Performancebenchmark · Leitmetrik: Generation-Speed (tok/s)
Dieser Lauf ist besser als 94 % aller vergleichbaren Systeme.
Generation
270,4 tok/s
+170 % vs Ø 100,2
Prefill
5.684,3 tok/s
+67 % vs Ø 3.396,8
Time to First Token
3.915 ms
-82 % vs Ø 21.178
Verteilung im Feld0 – 1.444 tok/s
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-20260723-045447-edeed3
1.295,3 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 GeForce RTX 5090 · run-20260723-045450-e8df4d
909,3 tok/s
Qwen3-30B-A3B-Thinking-2507NVIDIA GeForce RTX 5090 · run-20260723-045450-14f178
873,7 tok/s
gpt-oss-20bNVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-194447-1679c5
842,9 tok/s
gpt-oss-20bNVIDIA GeForce RTX 3090 Ti · run-20260723-174504-2e256e
796,8 tok/s
gpt-oss-20bNVIDIA GeForce RTX 5090 · run-20260723-045447-5656a1
784,5 tok/s
Qwen3-Coder-30B-A3B-InstructNVIDIA GeForce RTX 5090 · run-20260723-045450-4162ec
688,6 tok/s
Qwen3-30B-A3B-Instruct-2507NVIDIA GeForce RTX 5090 · run-20260723-045448-81246f
655,8 tok/s
Qwen3-30B-A3B-Thinking-2507NVIDIA GeForce RTX 5090 · run-20260723-045450-1d48c8
633,4 tok/s
Ministral-3-14B-Reasoning-2512NVIDIA RTX PRO 6000 Blackwell Workstation Edition · run-20260723-195749-bde180
615,8 tok/s
Ministral-3-14B-Reasoning-2512NVIDIA GeForce RTX 3090 Ti · run-20260723-194447-d1331c
524,4 tok/s
Nemotron-Cascade-2-30B-A3B dieser Lauf3× AMD Radeon AI PRO R9700 · run-20260723-031252-286996
270,4 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: llama.cpp
Quantisierung: Q4_K_M
Betriebssystem: Ubuntu 26.04 LTS (Kernel 7.0.0-27-generic)
Treiber: AMD 7.0.0-27-generic
Modell: Nemotron-Cascade-2-30B-A3B
Konfiguration
# LLM-Benchmark Konfiguration
# Modell : Nemotron-Cascade-2-30B-A3B
# Engine : llama.cpp
# Run-ID : run-20260723-031252-286996
# GPU : 3x AMD Radeon AI PRO R9700
# CPU : 32x AMD Ryzen Threadripper PRO 7955WX 16-Cores
# RAM : 184 GB
bench@llm-benchmark:~$ llama-server \
-m bartowski/nvidia_Nemotron-Cascade-2-30B-A3B-GGUF/Q4_K_M.gguf \
-ngl 999 \
-c 26624 \
--parallel 12 \
-a Nemotron-Cascade-2-30B-A3B \
-sm layer \
--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. | llamacpp |
| Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen. | Nemotron-Cascade-2-30B-A3B |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 26624 |
| Modellpfad?Pfad zur GGUF-Modelldatei, die geladen und ausgeliefert wird. | bartowski/nvidia_Nemotron-Cascade-2-30B-A3B-GGUF/Q4_K_M.gguf |
| 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. | 999 |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 26624 |
| Parallel?Anzahl paralleler Slots/Sequenzen, die der Server gleichzeitig bedient. Der Kontext wird auf die Slots aufgeteilt. | 12 |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | Nemotron-Cascade-2-30B-A3B |
| Split-Mode?Verteilung ueber mehrere GPUs: none (nur eine GPU), layer (Layer aufteilen) oder row (Tensoren zeilenweise). | layer |
Modell-Vergleich
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
★ AMD Radeon AI PRO R9700 270,4 tok/s dieser LaufAMD Radeon 8060S Graphics 114,5 tok/sCPU-only 5,9 tok/s
CPUnach Prozessor
★ AMD Ryzen Threadripper PRO 7955WX 16-Cores 270,4 tok/s dieser LaufAMD RYZEN AI MAX+ 395 w/ Radeon 8060S 114,5 tok/sIntel(R) Xeon(R) CPU E5-4620 v2 @ 2.60GHz 5,9 tok/s
MBnach Mainboard
★ ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 270,4 tok/s dieser LaufMeigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 114,5 tok/sDell Inc. PowerEdge R820 5,9 tok/s
ENGnach Engine
★ llama.cpp 270,4 tok/s dieser Lauf
DRVnach Treiber
★ AMD 7.0.0-27-generic 270,4 tok/s dieser LaufROCm 7.2.0 114,5 tok/sunbekannt 5,9 tok/s