语言与能量鸿沟：测量多语言 LLM 推理的能量成本

大语言模型 (LLM) 越来越多地部署在多语言环境中，但跨不同语言服务这些模型的能源成本仍然知之甚少。我们利用 ML.Energy 框架对跨语言的推理能耗进行了系统研究（Chung 等人，2026）。我们发现了惊人的差异：不同语言中每个输出词元的能耗​​差异高达 8.3 倍，而一组固定请求的总能量在最便宜（英语，17.6 kJ）和最昂贵（普什图语，3,147 kJ）语言之间差异高达 179 倍。我们的分析表明，这种差异是由两个复合因素驱动的：（1）使用复杂或罕见脚本的语言的每个词元能源成本更高，以及（2）为低资源语言生成更多词元。此外，我们发现了双重成本+性能损失：具有最高能量足迹的语言也往往实现最低的任务准确性。我们发现，模型、硬件和任务之间仍然存在能源鸿沟，这表明多语言 LLM 部署中存在系统性能源不平等。最后，我们建议社区将能源视为一流的评估轴，扩展报告清单和模型卡以将其纳入其中，并采取部署方缓解措施以提高能源效率。