# پژوهش مصرف انرژی ۸۶ مدل زبانی متن‌باز را سنجید

> پژوهشگران دریافتند بسیاری از تنظیمات مدل‌های زبانی بزرگ ۲٫۶ تا ۴٫۸ برابر بیشتر از گزینه‌های بهینه انرژی مصرف می‌کنند؛ در برخی موارد این میزان به ۲۷ برابر می‌رسد.

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

تیمی به سرپرستی زِیو یانگ در ۱۴ اکتبر ۲۰۲۶ مقاله‌ای منتشر کرد که میزان برق مصرفی ۸۶ مدل زبانی بزرگ با وزن‌های باز (LLM) را هنگام اجرای هفت بنچمارک روی شش پلتفرم سخت‌افزاری اندازه‌گیری می‌کند. این پژوهش نشان می‌دهد بیشتر پیکربندی‌ها بسیار بیشتر از حد نیاز برق مصرف می‌کنند: به‌طور میانه ۲٫۶ تا ۴٫۸ برابر بیشتر و در موارد حاد تا ۲۷ برابر. افزودن گام‌های استدلال، مصرف انرژی را حدود ۳٫۷ برابر افزایش می‌دهد؛ درحالی‌که استفاده از محاسبات کم‌دقت FP8 انرژی را حدود ۲۵ درصد کاهش می‌دهد و امتیاز را اندکی پایین می‌آورد.

## حقایق

- ۸۶ مدل ارزیابی‌شده
- اتلاف انرژی میانه: ۲٫۶ تا ۴٫۸ برابر؛ حداکثر: ۲۷ برابر

## چرا مهم است

توسعه‌دهندگان می‌توانند با انتخاب تنظیمات کم‌مصرف‌تر برای مدل‌های زبانی بزرگ، هزینه‌های عملیاتی و ردپای کربنی را کاهش دهند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-14