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.

Generation11,02tok/s

Prefill415,08tok/s

Time to First Token69.643,00ms

Total duration196,27s

Concurrency10parallel

Einordnung im Feld

528von 597 Systemen

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

Dieser Lauf ist besser als 12 % aller vergleichbaren Systeme.

Generation 11,0 tok/s

-95 % vs Ø 244,1

Prefill 415,1 tok/s

-92 % vs Ø 5.353,8

Time to First Token 69.643 ms

+430 % 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

Llama-3_3-Nemotron-Super-49B-v1_5 dieser LaufAMD Radeon 8060S Graphics · run-20260723-194447-466598

11,0 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
Quantization: Q4_K_M
Operating system: Ubuntu 24.04.2 LTS (Kernel 6.17.0-40-generic)
Driver: ROCm 7.2.0
Model: Llama-3_3-Nemotron-Super-49B-v1_5

Configuration

benchmark-konfiguration — run-20260723-194447-466598

# LLM-Benchmark Konfiguration # Modell : Llama-3_3-Nemotron-Super-49B-v1_5 # Engine : llama.cpp # Run-ID : run-20260723-194447-466598 # GPU : AMD Radeon 8060S Graphics # CPU : 32x AMD RYZEN AI MAX+ 395 w/ Radeon 8060S # RAM : 31 GB bench@llm-benchmark:~$ llama-server \ -m bartowski/nvidia_Llama-3_3-Nemotron-Super-49B-v1-GGUF/Q4_K_M.gguf \ -a Llama-3_3-Nemotron-Super-49B-v1_5 \ --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.	Llama-3_3-Nemotron-Super-49B-v1_5
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_Llama-3_3-Nemotron-Super-49B-v1-GGUF/Q4_K_M.gguf
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	Llama-3_3-Nemotron-Super-49B-v1_5
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

Model comparison

Llama-3_3-Nemotron-Super-49B-v1_5 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 42,1 tok/s★ AMD Radeon 8060S Graphics 14,3 tok/s dieser Lauf

CPUnach Prozessor

AMD Ryzen Threadripper PRO 7955WX 16-Cores 42,1 tok/s★ AMD RYZEN AI MAX+ 395 w/ Radeon 8060S 14,3 tok/s dieser Lauf

MBnach Mainboard

ASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 42,1 tok/s★ Meigao Innovation Technology (Shen Zhen) Co., Ltd SHWSA (MS-S1 MAX) 14,3 tok/s dieser Lauf

ENGnach Engine

★ llama.cpp 42,1 tok/s dieser Lauf

DRVnach Treiber

AMD 7.0.0-27-generic 42,1 tok/s★ ROCm 7.2.0 14,3 tok/s dieser Lauf

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.