Uma equipe liderada por Zeyu Yang publicou, em 14 de outubro de 2026, um artigo que mediu o consumo de eletricidade de 86 grandes modelos de linguagem (LLMs) de pesos abertos durante a execução de sete benchmarks em seis plataformas de hardware. O estudo mostra que a maioria das configurações consome muito mais energia do que o necessário: uma mediana de 2,6 a 4,8 vezes mais, chegando a até 27 vezes em casos extremos. Incluir etapas de raciocínio aumenta o consumo de energia em cerca de 3,7 vezes, enquanto o uso de aritmética FP8 de baixa precisão reduz o consumo em aproximadamente 25%, com pouca perda de pontuação.
Por que importa
Desenvolvedores podem reduzir custos operacionais e a pegada de carbono ao escolher configurações de LLMs mais eficientes em termos de energia.
