# Studie vergleicht den Energieverbrauch von 86 Open-Weight-LLMs

> Viele getestete Konfigurationen verbrauchen 2,6- bis 4,8-mal mehr Energie als die effizientesten – manche sogar 27-mal mehr.

Oossa · 2026-10-14 · https://oossa.com/de/study-measures-energy-use-of-86-open-weight-llms-on-benchmarks-and-hardware

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.

## Die Fakten

- 86 Modell-Checkpoints wurden ausgewertet
- Medianer Energieüberschuss: 2,6- bis 4,8-fach; maximal 27-fach

## Warum es wichtig ist

Durch die Wahl energieeffizienterer LLM-Konfigurationen können Entwickler Betriebskosten und CO₂-Bilanz senken.

## Quellen und Referenzen

1. [Measuring the Inference Energy Efficiency of Open-Weight LLMs across Benchmarks, Reasoning Modes, and Hardware](https://arxiv.org/abs/2610.14389) – arXiv, 2026-10-14

Zuletzt aktualisiert: 2026-10-14