ℹ

Zur Einordnung: Diese Plattform nutzt Unified Memory – die "VRAM" ist gemeinsamer System-RAM (APU/Superchip); das Modell teilt sich den Speicher mit dem System.

Generation112,42tok/s

Prefill955,17tok/s

Time to First Token10.320,00ms

Gesamtdauer27,95s

Concurrency5parallel

Einordnung im Feld

73von 347 Systemen

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

Dieser Lauf ist besser als 79 % aller vergleichbaren Systeme.

Generation 112,4 tok/s

+12 % vs Ø 100,2

Prefill 955,2 tok/s

-72 % vs Ø 3.396,8

Time to First Token 10.320 ms

-51 % vs Ø 21.178

Verteilung im Feld0 – 1.444 tok/s

Ø 100 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-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-3-Nano-Omni-30B-A3B-Reasoning dieser LaufAMD Radeon 8060S Graphics · run-20260723-142105-d89d88

112,4 tok/s

Hardware

GPU: AMD Radeon 8060S Graphics
CPU: 32x AMD RYZEN AI MAX+ 395 w/ Radeon 8060S
RAM: 31 GB
Mainboard: Meigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX)

Setup

Runtime: llama.cpp
Quantisierung: Q4_K_M
Betriebssystem: Ubuntu 24.04.2 LTS (Kernel 6.17.0-40-generic)
Treiber: ROCm 7.2.0
Modell: Nemotron-3-Nano-Omni-30B-A3B-Reasoning

Konfiguration

benchmark-konfiguration — run-20260723-142105-d89d88

# LLM-Benchmark Konfiguration # Modell : Nemotron-3-Nano-Omni-30B-A3B-Reasoning # Engine : llama.cpp # Run-ID : run-20260723-142105-d89d88 # GPU : AMD Radeon 8060S Graphics # CPU : 32x AMD RYZEN AI MAX+ 395 w/ Radeon 8060S # RAM : 31 GB bench@llm-benchmark:~$ llama-server \ -m unsloth/NVIDIA-Nemotron-3-Nano-Omni-30B-A3B-Reasoning-GGUF/Q4_K_M.gguf \ -a Nemotron-3-Nano-Omni-30B-A3B-Reasoning \ --host 0.0.0.0 \ --port 8000 \ --gpu-layers 99 \ --flash-attn on \ -c 26624 \ --parallel 12

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-Nano-Omni-30B-A3B-Reasoning
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.	unsloth/NVIDIA-Nemotron-3-Nano-Omni-30B-A3B-Reasoning-GGUF/Q4_K_M.gguf
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	Nemotron-3-Nano-Omni-30B-A3B-Reasoning
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.	99
Flash Attention?FlashAttention fuer schnellere und speichersparende Attention. Wert on/off/auto je nach Build.	on
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

Alle Benchmarks dieses Modells Zum Leaderboard

Modell-Vergleich

Nemotron-3-Nano-Omni-30B-A3B-Reasoning 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 268,7 tok/s★ AMD Radeon 8060S Graphics 112,4 tok/s dieser Lauf

CPUnach Prozessor

AMD Ryzen Threadripper PRO 7955WX 16-Cores 268,7 tok/s★ AMD RYZEN AI MAX+ 395 w/ Radeon 8060S 112,4 tok/s dieser Lauf

MBnach Mainboard

ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 268,7 tok/s★ Meigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 112,4 tok/s dieser Lauf

ENGnach Engine

★ llama.cpp 268,7 tok/s dieser Lauf

DRVnach Treiber

AMD 7.0.0-27-generic 268,7 tok/s★ ROCm 7.2.0 112,4 tok/s dieser Lauf