Ein Team unter der Leitung von Zeyu Yang hat am 14. Okt. 2026 eine Studie veröffentlicht, in der gemessen wurde, wie viel Strom 86 Open-Weight Large Language Models (LLMs) beim Ausführen von sieben Benchmarks auf sechs Hardwareplattformen verbrauchen. Die Ergebnisse zeigen, dass die meisten Konfigurationen deutlich mehr Energie als nötig benötigen: im Median das 2,6- bis 4,8-Fache, in Extremfällen sogar das 27-Fache. Zusätzliche Reasoning-Schritte erhöhen den Energieverbrauch um etwa das 3,7-Fache. Rechnungen mit niedrigerer Präzision im FP8-Format senken ihn dagegen um rund 25 Prozent – bei nur geringen Einbußen im Ergebnis.
Warum es wichtig ist
Durch die Wahl energieeffizienterer LLM-Konfigurationen können Entwickler Betriebskosten und CO₂-Bilanz senken.
