{"id":263,"date":"2026-05-19T16:46:24","date_gmt":"2026-05-19T16:46:24","guid":{"rendered":"https:\/\/convly.ai\/rtx-5090-vs-rtx-4090-for-ai-2026\/"},"modified":"2026-07-11T09:22:55","modified_gmt":"2026-07-11T09:22:55","slug":"rtx-5090-vs-rtx-4090-for-ai-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/","title":{"rendered":"RTX 5090 vs. RTX 4090 f\u00fcr KI: Stable-Diffusion-, LLM-Inferenz- und Training-Benchmarks (2026)"},"content":{"rendered":"<p>Die <strong>RTX 5090<\/strong> Endlich Anfang 2026 auf den Markt gekommen \u2013 mit einem Preis, der K\u00e4ufer zusammenzucken lie\u00df: <strong>UVP von 1.999 US-Dollar<\/strong> in einem Markt, in dem die Karte aktuell f\u00fcr \u00fcber 2.400 US-Dollar gehandelt wird. Die entscheidende Frage aller KI-Entwickler lautet: Lohnt sich der Upgrade vom <strong>RTX 4090<\/strong> der bereits das meiste von dem leistet, was wir ben\u00f6tigen?<\/p>\n<p>Die kurze Antwort: <strong>Ja \u2013 wenn Sie beim 4090 an die VRAM-Grenzen sto\u00dfen; nein \u2013 wenn nicht.<\/strong><\/p>\n<p>Die ausf\u00fchrliche Antwort ist Gegenstand des restlichen Artikels.<\/p>\n<p><!--geo-block--><\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a52e23b30518\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Umschalten<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a52e23b30518\"  aria-label=\"Umschalten\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#Quick_answer_Is_the_RTX_5090_worth_it_for_AI_vs_the_RTX_4090\" >Quick answer: Is the RTX 5090 worth it for AI vs the RTX 4090?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#At_a_glance\" >Auf einen Blick<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#What_changed_under_the_hood\" >Was sich unter der Haube ge\u00e4ndert hat<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#Stable_Diffusion_FLUX_benchmarks\" >Stable-Diffusion-\/FLUX-Benchmarks<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#LLM_inference_benchmarks\" >LLM-Inferenz-Benchmarks<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#Fine-tuning_benchmarks\" >Fine-Tuning-Benchmarks<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#Power_thermals_noise\" >Stromverbrauch, Thermik, Ger\u00e4uschentwicklung<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#Price-per-performance_reality_check\" >Preis-Leistungs-Realit\u00e4tscheck<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#What_about_the_alternatives\" >Was ist mit Alternativen?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#FAQ\" >H\u00e4ufig gestellte Fragen (FAQ)<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#Bottom_line\" >Fazit<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/convly.ai\/de\/rtx-5090-vs-rtx-4090-for-ai-2026\/#Related_articles\" >Verwandte Artikel<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Quick_answer_Is_the_RTX_5090_worth_it_for_AI_vs_the_RTX_4090\"><\/span>Quick answer: Is the RTX 5090 worth it for AI vs the RTX 4090?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>For AI in 2026 the RTX 5090 is the better card and worth it if you need the memory: its 32 GB of GDDR7 versus the 4090&#8217;s 24 GB GDDR6X is the deciding spec, letting it hold 70B-class models and larger batches the 4090 cannot. On throughput the 5090 leads by roughly a third \u2014 about 22.1 tok\/s vs 16.4 tok\/s on Llama 3 70B Q4_K_M \u2014 but it costs more (about $1,999 MSRP, ~$2,200\u20132,600 street vs the 4090&#8217;s ~$1,100\u20131,400 used) and draws 575 W vs 450 W. If your models fit comfortably in 24 GB, the RTX 4090 remains the stronger value.<\/p>\n<ul>\n<li><strong>Running 70B+ LLMs or fine-tuning big models:<\/strong> RTX 5090 \u2014 32 GB GDDR7 vs 24 GB, and 1,792 GB\/s bandwidth vs 1,008 GB\/s.<\/li>\n<li><strong>Best raw AI training\/inference performance:<\/strong> RTX 5090 \u2014 ~22.1 tok\/s vs 16.4 tok\/s on Llama 3 70B Q4_K_M (~35% faster), 168 vs 122 tok\/s on Llama 3 8B.<\/li>\n<li><strong>Image and video generation:<\/strong> RTX 5090 \u2014 ~39% faster in Stable Diffusion XL (25.4 it\/s vs 18.3 it\/s at 1024\u00d71024).<\/li>\n<li><strong>Best value if 24 GB is enough:<\/strong> RTX 4090 \u2014 strong performance at ~$1,100\u20131,400 used and 125 W lower power draw.<\/li>\n<li><strong>The VRAM headline:<\/strong> RTX 5090 gives 32 GB vs 24 GB \u2014 a 33% larger memory ceiling for bigger models and longer context.<\/li>\n<\/ul>\n<p><!--statcards--><br \/>\n<style>.cstat-wrap{display:flex;flex-wrap:wrap;gap:14px;margin:22px 0}.cstat-title{font-weight:700;font-size:15px;margin:0 0 10px;color:#1a1a2e}.cstat{flex:1 1 158px;min-width:148px;background:#f8f9fb;border:1px solid #e6e8ef;border-top:3px solid var(--acc,#4263eb);border-radius:12px;padding:16px 18px}.cstat-n{display:block;font-size:31px;font-weight:800;line-height:1.05;color:var(--acc,#4263eb)}.cstat-l{display:block;font-size:13px;line-height:1.4;color:#475467;margin-top:7px}.cstat-wrap.dark{}.cstat-wrap.dark .cstat{background:rgba(255,255,255,.06);border-color:rgba(255,255,255,.14)}.cstat-wrap.dark .cstat-l{color:#c7d2fe}@media(max-width:560px){.cstat-n{font-size:25px}}<\/style><p class=\"cstat-title\">RTX 5090 vs RTX 4090 for AI \u2014 the numbers<\/p><div class=\"cstat-wrap\"><div class=\"cstat\" style=\"--acc:#2f9e44\"><span class=\"cstat-n\" style=\"color:#2f9e44\">32 GB<\/span><span class=\"cstat-l\">GDDR7 VRAM on the 5090 vs 24GB on the 4090<\/span><\/div><div class=\"cstat\" style=\"--acc:#4263eb\"><span class=\"cstat-n\" style=\"color:#4263eb\">+35%<\/span><span class=\"cstat-l\">faster on Llama 3 70B (22.1 vs 16.4 tok\/s)<\/span><\/div><div class=\"cstat\" style=\"--acc:#e8590c\"><span class=\"cstat-n\" style=\"color:#e8590c\">+39%<\/span><span class=\"cstat-l\">faster in Stable Diffusion XL (25.4 vs 18.3 it\/s)<\/span><\/div><div class=\"cstat\" style=\"--acc:#7048e8\"><span class=\"cstat-n\" style=\"color:#7048e8\">575 W<\/span><span class=\"cstat-l\">power draw vs 450W on the 4090<\/span><\/div><\/div><\/p>\n<div class=\"convly-tldr\">\n<h3>Wichtigste Erkenntnisse<\/h3>\n<ul>\n<li>Die RTX 5090 bietet <strong>32 GB GDDR7<\/strong> gegen\u00fcber den 24 GB GDDR6X des 4090 \u2013 eine um 33 % gr\u00f6\u00dfere Speicherobergrenze.<\/li>\n<li>Bei <strong>Stable Diffusion XL<\/strong>, ist die 5090 rund 38 % schneller (25,4 Iterationen\/s gegen\u00fcber 18,3 Iterationen\/s bei 1024\u00d71024).<\/li>\n<li>F\u00fcr <strong>Llama-3-70B-Q4_K_M-Inferenz<\/strong>, erreicht die 5090 22 Token\/s gegen\u00fcber 16 Token\/s beim 4090.<\/li>\n<li>Die 5090 verbraucht <strong>575 W<\/strong> unter dauerhafter KI-Last \u2013 125 W mehr als der 4090.<\/li>\n<li>Falls Sie einen gebrauchten 4090 f\u00fcr 1.200\u20131.400 US-Dollar finden, ist dies die bessere Wertalternative. Falls Sie jedoch 32 GB VRAM ben\u00f6tigen, kommt keine andere Consumer-GPU auch nur ann\u00e4hernd heran.<\/li>\n<\/ul>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"At_a_glance\"><\/span>Auf einen Blick<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Spezifikation<\/th>\n<th>RTX 5090<\/th>\n<th>RTX 4090<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Architektur<\/td>\n<td>Blackwell GB202<\/td>\n<td>Ada-Lovelace-AD102<\/td>\n<\/tr>\n<tr>\n<td>CUDA-Kerne<\/td>\n<td class=\"convly-vs-winner\">21,760<\/td>\n<td>16,384<\/td>\n<\/tr>\n<tr>\n<td>VRAM<\/td>\n<td class=\"convly-vs-winner\">32 GB GDDR7<\/td>\n<td>24 GB GDDR6X<\/td>\n<\/tr>\n<tr>\n<td>Speicherbandbreite<\/td>\n<td class=\"convly-vs-winner\">1.792 GB\/s<\/td>\n<td>1.008 GB\/s<\/td>\n<\/tr>\n<tr>\n<td>FP16 (Tensor)<\/td>\n<td class=\"convly-vs-winner\">419 TFLOPS<\/td>\n<td>330 TFLOPS<\/td>\n<\/tr>\n<tr>\n<td>FP8 (Tensor)<\/td>\n<td class=\"convly-vs-winner\">838 TFLOPS<\/td>\n<td>660 TFLOPS<\/td>\n<\/tr>\n<tr>\n<td>TDP<\/td>\n<td>575 W<\/td>\n<td class=\"convly-vs-winner\">450 W<\/td>\n<\/tr>\n<tr>\n<td>PCIe<\/td>\n<td class=\"convly-vs-winner\">PCIe 5.0 x16<\/td>\n<td>PCIe 4.0 x16<\/td>\n<\/tr>\n<tr>\n<td>UVP<\/td>\n<td>$1,999<\/td>\n<td class=\"convly-vs-winner\">1.599 US-Dollar (ehemalige UVP)<\/td>\n<\/tr>\n<tr>\n<td>Gebrauchtpreis am freien Markt (Q2 2026)<\/td>\n<td>2.200\u20132.600 US-Dollar<\/td>\n<td class=\"convly-vs-winner\">1.100\u20131.400 US-Dollar<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2><span class=\"ez-toc-section\" id=\"What_changed_under_the_hood\"><\/span>Was sich unter der Haube ge\u00e4ndert hat<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die 5090 ist nicht einfach nur eine schnellere 4090. Der Sprung von <strong>Ada Lovelace zu Blackwell<\/strong> ist gr\u00f6\u00dfer als der \u00dcbergang vom 3090 zum 4090 \u2013 und zwar an drei f\u00fcr KI entscheidenden Stellen:<\/p>\n<p><strong>1. Die Speicherbandbreite stieg um 78 %.<\/strong> GDDR7 mit einer effektiven Taktrate von 28 Gbps auf einem 512-Bit-Bus liefert ca. 1,79 TB\/s, verglichen mit den ca. 1,01 TB\/s des 4090 auf einem 384-Bit-Bus. Bei LLM-Inferenz \u2013 die im Decodierungsschritt nahezu vollst\u00e4ndig durch die Speicherbandbreite limitiert ist \u2013 stellt dies den gr\u00f6\u00dften Vorteil dar.<\/p>\n<p><strong>2. Die FP8-Durchsatzleistung verdoppelte sich in realen Workloads.<\/strong> Die FP8-Tensor-Cores des 4090 existierten zwar, wurden aber selten vollst\u00e4ndig ausgelastet. Der FP8-Pfad von Blackwell ist hingegen ausgereift: vLLM und TensorRT-LLM unterst\u00fctzen ihn ab 2026 nativ, und der praktische Geschwindigkeitsvorteil gegen\u00fcber FP16 liegt bei knapp 1,8\u00d7 statt der 1,3\u00d7, die wir mit Ada erreichten.<\/p>\n<p><strong>3. Die VRAM-Kapazit\u00e4t stieg von 24 GB auf 32 GB.<\/strong> Damit ist eine klare Grenze gezogen: Llama 3 70B in der Quantisierung Q4_K_M mit einem Kontextfenster von 8K ben\u00f6tigt auf der 5090 etwa 28 GB \u2013 passt also problemlos hinein. Auf dem 4090 bleibt nur die Wahl zwischen der qualitativ schlechteren Q3_K_S-Quantisierung oder einer teilweisen Auslagerung ins CPU-RAM (was langsamer ist). F\u00fcr Mistral Large 2 (123B in Q3) und DeepSeek V3 (236B MoE) reichen selbst 32 GB noch nicht aus \u2013 doch hier macht die zus\u00e4tzliche Kapazit\u00e4t den Unterschied zwischen \u201eunangenehm\u201c und \u201eunm\u00f6glich\u201c aus.<\/p>\n<p>Was sich kaum ver\u00e4ndert hat:<\/p>\n<ul>\n<li><strong>Treiberreife<\/strong> \u2013 Die Blackwell-Treiber waren bis Februar 2026 noch instabil; Ada-Treiber sind hingegen \u00e4u\u00dferst robust.<\/li>\n<li><strong>Software-\u00d6kosystem<\/strong> \u2013 CUDA 12.6+ unterst\u00fctzt beide Architekturen vollst\u00e4ndig, ohne funktionale Unterschiede.<\/li>\n<li><strong>K\u00fchlverhalten<\/strong> \u2013 Beide Karten laufen hei\u00df; die 5090 mit ihren 575 W erfordert gezielte Geh\u00e4usel\u00fcftung.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Stable_Diffusion_FLUX_benchmarks\"><\/span>Stable-Diffusion-\/FLUX-Benchmarks<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Getestet auf einem Ryzen 9 9950X, 64 GB DDR5-6400, Windows 11 24H2, Treiber-Versionen 566.14 (4090) und 572.16 (5090). Alle Werte stellen den <strong>Median aus f\u00fcnf Durchl\u00e4ufen<\/strong>dar, ComfyUI Nightly Stand April 2026.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Workload<\/th>\n<th>RTX 5090<\/th>\n<th>RTX 4090<\/th>\n<th>\u0394<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>SDXL 1024\u00d71024, 30 Schritte, DPM++ 2M Karras<\/td>\n<td>25,4 it\/s<\/td>\n<td>18,3 Iterationen\/s<\/td>\n<td>+39%<\/td>\n<\/tr>\n<tr>\n<td>SD 3.5 Large 1024\u00d71024, 28 Schritte<\/td>\n<td>14,8 it\/s<\/td>\n<td>10,6 Iterationen\/s<\/td>\n<td>+40%<\/td>\n<\/tr>\n<tr>\n<td>FLUX.1 dev 1024\u00d71024, 28 Schritte, fp8<\/td>\n<td>3,4 it\/s<\/td>\n<td>2,2 Iterationen\/s<\/td>\n<td>+55%<\/td>\n<\/tr>\n<tr>\n<td>FLUX.1 schnell 1024\u00d71024, 4 Schritte, fp8<\/td>\n<td>1,1 s\/Bild<\/td>\n<td>1,7 s\/Bild<\/td>\n<td>+55%<\/td>\n<\/tr>\n<tr>\n<td>Hunyuan Video 1.5 (5-s-Clip, 720p)<\/td>\n<td>78 s<\/td>\n<td>OOM bei 24 GB<\/td>\n<td>n.v.<\/td>\n<\/tr>\n<tr>\n<td>SDXL-Batch mit vier Bildern \u00e0 1024\u00d71024<\/td>\n<td>6,3 s<\/td>\n<td>9,1 s<\/td>\n<td>+44%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Der FLUX-Delta ist die eigentliche Geschichte. Die 12 Milliarden Parameter von FLUX.1 dev profitieren \u00fcberproportional von der kombinierten Bandbreiten- und FP8-Steigerung der 5090. Wenn Ihr Workflow stark FLUX-lastig ist (und die meisten professionellen Bildgenerierungsanwendungen haben sich seit Ende 2025 in diese Richtung entwickelt), spart Ihnen die 5090 etwa <strong>die H\u00e4lfte Ihrer Generierungszeit<\/strong>.<\/p>\n<p>Hunyuan Video verdient eine eigene Erw\u00e4hnung. Das Generieren kurzer Videoclips in einer nutzbaren Aufl\u00f6sung belastet die 4090 nahezu sofort mit vollem 24-GB-VRAM-Aufwand. Auf der 5090 laufen Clips in 720p mit f\u00fcnf Sekunden Dauer sauber, und 1080p ist mit leichtem Tiling durchf\u00fchrbar. Dies ist die Arbeitslast, die ein Upgrade rechtfertigt, wenn Sie in den Bereich der KI-basierten Videogenerierung vorsto\u00dfen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"LLM_inference_benchmarks\"><\/span>LLM-Inferenz-Benchmarks<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Getestet mit <strong>llama.cpp b3990<\/strong> (5090-Build), Quantisierung Q4_K_M, sofern nicht anders angegeben, Kontextl\u00e4nge 8K, Single-Stream:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modell<\/th>\n<th>RTX 5090 t\/s<\/th>\n<th>RTX 4090 t\/s<\/th>\n<th>\u0394<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Llama 3 8B Q4_K_M<\/td>\n<td>168<\/td>\n<td>122<\/td>\n<td>+38%<\/td>\n<\/tr>\n<tr>\n<td>Llama 3 70B Q4_K_M<\/td>\n<td>22.1<\/td>\n<td>16.4<\/td>\n<td>+35%<\/td>\n<\/tr>\n<tr>\n<td>Llama 3 70B Q5_K_M<\/td>\n<td>17.8<\/td>\n<td>OOM bei 24 GB<\/td>\n<td>n.v.<\/td>\n<\/tr>\n<tr>\n<td>Mistral Large 2 123B Q3_K_M<\/td>\n<td>9.1<\/td>\n<td>3,6 (CPU-Offload)<\/td>\n<td>+150%<\/td>\n<\/tr>\n<tr>\n<td>Qwen 2.5 32B Q5_K_M<\/td>\n<td>52.4<\/td>\n<td>39.7<\/td>\n<td>+32%<\/td>\n<\/tr>\n<tr>\n<td>Qwen 2.5 72B Q4_K_M<\/td>\n<td>21.6<\/td>\n<td>15.9<\/td>\n<td>+36%<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek V3 (236B MoE) Q2_K<\/td>\n<td>11,2 (Offload)<\/td>\n<td>4,8 (Offload)<\/td>\n<td>+133%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Das Muster ist deutlich erkennbar. Bei Modellen, die <strong>vollst\u00e4ndig in den VRAM passen<\/strong>, ist die 5090 um 30\u201340 % schneller \u2013 vor allem dank der h\u00f6heren Speicherbandbreite. Bei Modellen, die <strong>nicht auf die 4090 passen, aber auf die 5090 passen<\/strong> (oder bei denen sie zumindest in einer besseren Quantisierung unterzubringen sind), betr\u00e4gt der Leistungsunterschied das Zweifache oder mehr, weil die 4090 pl\u00f6tzlich CPU-Offload betreibt (~5\u201310 t\/s), w\u00e4hrend die 5090 weiterhin rein GPU-basierte Inferenz durchf\u00fchrt.<\/p>\n<p>Wenn Ihr t\u00e4glicher Workload Llama 3 8B oder Qwen 32B ist, ist die 4090 \u201aschnell genug\u2018, und die 5090 ist ein nettes Zusatzfeature. Wenn Sie jedoch t\u00e4glich Llama 3 70B in einer qualitativ hochwertigen Quantisierung oder Modelle ab 100 Mrd. Parametern nutzen, stellt die 5090 einen echten Sprung nach vorn dar.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Fine-tuning_benchmarks\"><\/span>Fine-Tuning-Benchmarks<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>LoRA-Fine-Tuning von Llama 3 8B auf einer Sequenzl\u00e4nge von 4.096 Token, Batch-Gr\u00f6\u00dfe 1, Gradient Accumulation 8, bfloat16, FlashAttention 2.5:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Workload<\/th>\n<th>RTX 5090<\/th>\n<th>RTX 4090<\/th>\n<th>\u0394<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Llama 3 8B LoRA, 1 Epoche auf 5.000 Samples<\/td>\n<td>1 Stunde 12 Minuten<\/td>\n<td>1 Stunde 51 Minuten<\/td>\n<td>+54%<\/td>\n<\/tr>\n<tr>\n<td>SDXL LoRA, 5.000 Bilder, 10 Epochen<\/td>\n<td>2 Stunden 38 Minuten<\/td>\n<td>4 Stunden 02 Minuten<\/td>\n<td>+53%<\/td>\n<\/tr>\n<tr>\n<td>FLUX.1 dev LoRA, 1.000 Bilder, 20 Epochen<\/td>\n<td>3 Stunden 14 Minuten<\/td>\n<td>5 Stunden 47 Minuten<\/td>\n<td>+79%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Beim Training zeigen sich die gr\u00f6\u00dften Gewinne, da hier sowohl Rechenleistung als auch Speicherbandbreite gleichzeitig ausgenutzt werden \u2013 und Blacksells gr\u00f6\u00dferer L2-Cache (128 MB gegen\u00fcber 72 MB) h\u00e4lt einen gr\u00f6\u00dferen Teil des Working Sets on-chip.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Power_thermals_noise\"><\/span>Stromverbrauch, Thermik, Ger\u00e4uschentwicklung<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die 5090 ist eine <strong>575-W-Karte<\/strong>. Unter dauerhafter KI-Last zieht sie mehr als diesen Wert, wobei kurzfristige Spitzen bis zu 700 W erreichen k\u00f6nnen. Die Realit\u00e4ten lauten:<\/p>\n<ul>\n<li><strong>Netzteil (PSU):<\/strong> Planen Sie mindestens 1000 W ein; bei gleichzeitigem Betrieb eines Ryzen-9- oder Core-i9-Prozessors empfehlen wir 1200 W. ATX 3.1 mit integrierter 12V-2\u00d76-Stromversorgung wird dringend empfohlen.<\/li>\n<li><strong>Geh\u00e4use-Luftstrom:<\/strong> Das Referenzdesign (Founders Edition) leitet W\u00e4rme st\u00e4rker in das Geh\u00e4use ab als die 4090 FE. Drei Einlassl\u00fcfter sind damit nicht mehr nur \u201esch\u00f6n zu haben\u201c.<\/li>\n<li><strong>Ger\u00e4uschentwicklung:<\/strong> Bei 90 % Auslastung misst die FE etwa 42 dBA in einem Meter Abstand. Die 4090 FE liegt bei gleicher Last bei 38 dBA.<\/li>\n<li><strong>W\u00e4rmeabgabe:<\/strong> Ein achtst\u00fcndiges Fine-Tuning erh\u00f6ht messbar die Raumtemperatur.<\/li>\n<\/ul>\n<p>Wenn Sie die Karte in einem Heimb\u00fcro einsetzen, planen Sie dies entsprechend ein.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Price-per-performance_reality_check\"><\/span>Preis-Leistungs-Realit\u00e4tscheck<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Zum Herstellerempfehlungspreis (MSRP: 1.999 $ vs. 1.599 $) ist die 5090 rund 25 % teurer, bietet aber etwa 35 % mehr KI-Leistung und 33 % mehr VRAM. Auf dem Papier ist das ein Gewinn.<\/p>\n<p>Zu <strong>Stra\u00dfenpreisen im zweiten Quartal 2026<\/strong> (2.400 $ f\u00fcr eine neue 5090 vs. 1.200 $ f\u00fcr eine gebrauchte 4090) kippt die Rechnung deutlich: Sie zahlen das Doppelte f\u00fcr lediglich 35 % mehr Geschwindigkeit und 33 % mehr VRAM. F\u00fcr die meisten Selbstbauer ist dies ein schlechter Trade-off \u2013 es sei denn, genau der zus\u00e4tzliche VRAM erm\u00f6glicht erst Ihren gew\u00fcnschten Workflow.<\/p>\n<p>Die klare Entscheidungsregel lautet:<\/p>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>Kaufen Sie die RTX 5090, wenn<\/h4>\n<ul>\n<li>Sie nutzen t\u00e4glich Llama 3 70B \/ Qwen 72B \/ Mistral Large 2 und Q4 reicht nicht aus<\/li>\n<li>Sie generieren KI-Videos (Hunyuan, CogVideoX, zuk\u00fcnftige Sora-\u00e4hnliche Modelle)<\/li>\n<li>Sie fine-tunen Modelle mit mehr als 13 Mrd. Parametern<\/li>\n<li>Ihre Zeit ist mehr als 40 $\/Stunde wert und Sie k\u00f6nnen das Upgrade amortisieren<\/li>\n<li>Sie haben finanziellen Spielraum f\u00fcr ein 1200-W-Netzteil sowie verbesserte K\u00fchlung<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>Bleiben Sie bei der RTX 4090, wenn<\/h4>\n<ul>\n<li>Ihre Workloads SDXL, Llama 3 8B oder etwas anderes sind, das bereits problemlos in 24 GB passt<\/li>\n<li>Sie eine gebrauchte 4090 f\u00fcr 1.200\u20131.400 $ finden k\u00f6nnen<\/li>\n<li>Sie keinen Spielraum im Netzteil oder Geh\u00e4use haben<\/li>\n<li>Sie neu im lokalen KI-Bereich sind und einfach loslegen m\u00f6chten<\/li>\n<li>Sie preissensitiv sind und keine spezifische, durch VRAM begrenzte Arbeitslast haben<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_about_the_alternatives\"><\/span>Was ist mit Alternativen?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Es lohnt sich, jene GPUs namentlich zu nennen, die weder 4090 noch 5090 sind, aber dennoch die richtige Wahl sein k\u00f6nnten:<\/p>\n<ul>\n<li><strong>Gebrauchte RTX 3090<\/strong> (600\u2013750 US-Dollar) \u2013 24 GB VRAM zu einem Drittel des Preises. Langsamer (ca. halb so schnell wie eine 4090 bei KI-Aufgaben), aber wenn Sie lediglich erste Erfahrungen mit lokalen LLMs sammeln m\u00f6chten, ist sie 2026 der Budget-K\u00f6nig.<\/li>\n<li><strong>Apple M4 Max (128 GB)<\/strong> \u2013 v\u00f6llig andere Architektur, einheitlicher Arbeitsspeicher, keine CUDA-Unterst\u00fctzung. Langsamer als eine 5090, aber in der Lage, extrem gro\u00dfe Modelle zu laden (Llama 3 405B passt im Q4-Format). Falls Sie ausschlie\u00dflich Inferenz betreiben und mehr als 32 GB Speicher ben\u00f6tigen, ist dies eine ernstzunehmende Option. Siehe unseren <a href=\"\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/\">Tiefenvergleich M4 Max vs. RTX 5090<\/a> f\u00fcr die ausf\u00fchrliche Analyse.<\/li>\n<li><strong>NVIDIA DIGITS<\/strong> (Project DIGITS, 3.000 US-Dollar) \u2013 128 GB einheitlicher Speicher in einer Desktop-Appliance. Speziell f\u00fcr diesen Anwendungsfall konzipiert.<\/li>\n<\/ul>\n<p>F\u00fcr die meisten Heim-KI-Bastler stellt sich jedoch die Frage klar: 5090 oder 4090? Alles andere f\u00fchrt zu einer ganz anderen Diskussion.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>H\u00e4ufig gestellte Fragen (FAQ)<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Lohnt sich die RTX 5090 im Vergleich zur RTX 4090 f\u00fcr KI-Anwendungen im Jahr 2026?<\/h3>\n<p>Bei den meisten KI-Workloads ist die 5090 um 30\u201340 % schneller und bietet 33 % mehr VRAM, kostet jedoch zum offiziellen Listenpreis 25 % mehr und aktuell auf dem freien Markt etwa das Doppelte. Sie lohnt sich, wenn Sie regelm\u00e4\u00dfig an die 24-GB-Grenze der 4090 sto\u00dfen \u2013 etwa beim Betrieb von 70B+-LLMs, beim Training von Modellen oder bei der Generierung von KI-Videos. F\u00fcr Stable Diffusion XL und LLMs der 8B-Klasse bleibt die 4090 weiterhin ein ausgezeichneter Kauf \u2013 insbesondere gebraucht f\u00fcr 1.200\u20131.400 US-Dollar.<\/p>\n<h3>Kann die RTX 5090 Llama 3 405B ausf\u00fchren?<\/h3>\n<p>Nicht bei rein GPU-basierter Inferenz \u2013 selbst bei einer nutzbaren Quantisierung ben\u00f6tigt Llama 3 405B \u00fcber 200 GB Speicher. Mit CPU-Offload und mindestens 256 GB Systemspeicher l\u00e4sst sich das Modell zwar auf einer 5090 mit etwa 1\u20132 Tokens\/Sekunde ausf\u00fchren, doch ist diese Geschwindigkeit f\u00fcr den t\u00e4glichen Einsatz zu langsam. F\u00fcr den lokalen Betrieb von Llama 3 405B empfehlen sich Mehr-GPU-Setups, der Mac Studio mit M4 Ultra (512 GB) oder Nvidia DIGITS.<\/p>\n<h3>Wie viel VRAM ben\u00f6tigt Llama 3 70B auf der RTX 5090?<\/h3>\n<p>Im Q4_K_M-Format mit 8K-Kontext belegt Llama 3 70B auf der 5090 etwa 28 GB VRAM, wodurch noch rund 4 GB Spielraum f\u00fcr Betriebssystem und andere Anwendungen verbleiben. Im Q5_K_M-Format steigt der Verbrauch auf ca. 31 GB \u2013 knapp, aber noch praktikabel. Im Q8-Format passt das Modell nicht mehr; daf\u00fcr br\u00e4uchten Sie entweder eine 48-GB-Karte (z. B. A6000 Ada) oder zwei GPUs.<\/p>\n<h3>Funktioniert die RTX 5090 mit PCIe-4.0-Motherboards?<\/h3>\n<p>Ja. Die 5090 ist nativ PCIe 5.0 x16-kompatibel, arbeitet aber vollst\u00e4ndig r\u00fcckw\u00e4rtskompatibel mit PCIe 4.0. Bei KI-Workloads ist der Bandbreitenunterschied vernachl\u00e4ssigbar \u2013 messbare Unterschiede treten au\u00dfer beim Laden von Modellen in Mehr-GPU-Umgebungen nicht auf.<\/p>\n<h3>Welches Netzteil ben\u00f6tige ich f\u00fcr eine RTX-5090-KI-Arbeitsstation?<\/h3>\n<p>Ein hochwertiges 1.000-W-Netzteil ist das absolute Minimum, 1.200 W werden empfohlen, und 1.600 W sind ideal, wenn Sie die Karte mit einem Ryzen 9 9950X oder einem Threadripper kombinieren und mehrere Stunden lang Fine-Tuning durchf\u00fchren m\u00f6chten. Achten Sie gezielt auf das ATX-3.1-Standardformat mit integrierten 12V-2\u00d76-Steckern \u2013 Adapter funktionieren zwar, erh\u00f6hen aber die Ausfallwahrscheinlichkeit.<\/p>\n<h3>Ist die RTX 4090 2026 immer noch gut f\u00fcr KI-Anwendungen?<\/h3>\n<p>Ja, die RTX 4090 bleibt 2026 eine hervorragende KI-GPU \u2013 besonders gebraucht f\u00fcr 1.200\u20131.400 US-Dollar. Sie bew\u00e4ltigt s\u00e4mtliche g\u00e4ngigen Consumer-KI-Workloads mit hoher Geschwindigkeit, unterst\u00fctzt CUDA vollst\u00e4ndig und bietet 24 GB VRAM \u2013 genau die Speichergrenze, auf die die meisten Modelle optimiert sind. Ihre einzige Schw\u00e4che liegt am absoluten Puls der Technologie: KI-Videogenerierung, 70B+-LLMs in qualitativ hochwertigen Quantisierungen sowie Fine-Tuning von Modellen mit mehr als 13 Milliarden Parametern. F\u00fcr alle anderen Aufgaben ist sie nach wie vor der Preis-Leistungs-K\u00f6nig.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Bottom_line\"><\/span>Fazit<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die RTX 5090 ist eine tats\u00e4chlich bessere KI-GPU als die RTX 4090 \u2013 um 30\u201340 % bei der Rohgeschwindigkeit und um 33 % bei der VRAM-Pufferkapazit\u00e4t. Ob dies den etwa doppelten Marktpreis rechtfertigt, h\u00e4ngt ausschlie\u00dflich davon ab, ob die 24-GB-Grenze der 4090 Sie aktuell bereits behindert.<\/p>\n<p>Wenn Sie jemals vor einer OOM-Fehlermeldung standen, w\u00e4hrend Sie versuchten, Llama 3 70B in einer akzeptablen Quantisierung auszuf\u00fchren, oder wenn Sie beobachtet haben, wie eine 4090 mitten in der Generierung von Hunyuan-Video auf CPU-Offload umschaltet, dann ist die 5090 das Upgrade, das Sie bereits vor zwei Jahren gebraucht h\u00e4tten.<\/p>\n<p>Falls Ihre KI-Workloads problemlos in 24 GB VRAM passen, sparen Sie die \u00fcber 1.000 US-Dollar lieber und investieren Sie stattdessen in ein besseres Netzteil, eine schnellere SSD oder \u2013 kontroverserweise \u2013 in eine zweite gebrauchte RTX 3090 f\u00fcr Mehr-GPU-Inferenz. Die sinkenden Ertr\u00e4ge oberhalb von 24 GB VRAM sind real \u2013 und deutlich st\u00e4rker ausgepr\u00e4gt, als es die Marketingbotschaften suggerieren.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Verwandte Artikel<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/de\/qwen3-30b-a3b-vs-qwen3-32b\/\">Qwen3 30B-A3B vs Qwen3 32B: Specs, Pricing &amp; Which to Choose (2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rx-7900-xtx-vs-rtx-4090-for-ai\/\">AMD RX 7900 XTX vs. RTX 4090 f\u00fcr KI im Jahr 2026: Kann ROCm mithalten?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rtx-5080-vs-rtx-4080-super-for-ai\/\">RTX 5080 vs. RTX 4080 Super f\u00fcr KI im Jahr 2026: Generationsunterschied oder blo\u00df ein Seitengrad?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rtx-5070-ti-vs-rtx-4070-ti-super-for-ai\/\">RTX 5070 Ti vs. RTX 4070 Ti Super f\u00fcr KI im Jahr 2026: Duell im Mittelklasse-Segment<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rtx-4090-vs-rtx-3090-for-ai\/\">RTX 4090 vs. RTX 3090 f\u00fcr KI im Jahr 2026: Lohnt sich das Upgrade?<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>The RTX 5090 brings 32 GB of GDDR7 and ~30% more AI throughput than the 4090 \u2014 but is it the right buy for image generation, local LLMs, or fine-tuning? Real benchmarks, real verdict.<\/p>","protected":false},"author":1,"featured_media":270,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[246],"tags":[281,284,283,280,251,282],"class_list":["post-263","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-comparisons","tag-ai-gpu","tag-blackwell","tag-llm-inference","tag-rtx-4090","tag-rtx-5090","tag-stable-diffusion-benchmark"],"_links":{"self":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/263","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/comments?post=263"}],"version-history":[{"count":4,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/263\/revisions"}],"predecessor-version":[{"id":1524,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/263\/revisions\/1524"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media\/270"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media?parent=263"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/categories?post=263"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/tags?post=263"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}