arXiv · cs.AI· Zeyu Yang, Wes Armour·· 11 小时前
开源权重LLM跨基准、推理模式与硬件的推理能效测量
Measuring the Inference Energy Efficiency of Open-Weight LLMs across Benchmarks, Reasoning Modes, and Hardware
arXiv:2610.14389v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zeyu Yang, Wes Armour
研究任务与主要进展
基于论文摘要，作者直接测量了86个开源权重模型检查点在7个基准和6种硬件平台上的推理能耗与能力权衡，覆盖从消费级GPU到8-GPU服务器。研究发现，多数配置比得分不低于自身的其他配置多用2.6—4.8倍能耗，启用思考平均增加约3.7倍能耗；FP8在分数变化很小的同时将能耗降低约四分之一。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org