En forskargrupp ledd av Zeyu Yang publicerade den 14 okt 2026 en studie som mätte hur mycket elektricitet 86 öppna språkmodeller (LLM:er) förbrukar när de kör sju benchmarktester på sex hårdvaruplattformar. Studien visar att de flesta konfigurationer använder betydligt mer energi än nödvändigt – i median 2,6 till 4,8 gånger mer och i extrema fall upp till 27 gånger mer. Att lägga till resonemangssteg ökar energiförbrukningen med omkring 3,7 gånger, medan beräkningar med låg precision i FP8 minskar energiförbrukningen med ungefär 25 procent och knappt påverkar testresultaten.
Varför det spelar roll
Utvecklare kan sänka driftskostnader och koldioxidavtryck genom att välja mer energieffektiva upplägg för språkmodeller.
