Une équipe dirigée par Zeyu Yang a publié le 14 octobre 2026 une étude mesurant la consommation électrique de 86 grands modèles de langage (LLM) open weight lors de l’exécution de sept benchmarks sur six plateformes matérielles. Selon l’étude, la plupart des configurations consomment bien plus d’énergie que nécessaire : entre 2,6 et 4,8 fois plus en valeur médiane, et jusqu’à 27 fois plus dans les cas extrêmes. L’ajout d’étapes de raisonnement multiplie la consommation d’énergie par environ 3,7, tandis que le recours à l’arithmétique FP8 de faible précision la réduit d’environ 25 %, avec une faible perte de score.
Pourquoi c'est important
En choisissant des configurations de LLM plus économes en énergie, les développeurs peuvent réduire leurs coûts d’exploitation et leur empreinte carbone.
