超越最先进：标准化人工智能研究的环境影响指标

随着大语言模型 (LLM) 的功能和普遍性的增长，它们的环境足迹也在不断增长。尽管呼吁负责任的人工智能，但机器学习社区缺乏碳核算的标准化实践。我们对 NeurIPS 2025 接受的 5,285 篇论文进行的自动文献回顾表明，环境影响的报告几乎不存在。为了促进向可持续人工智能的转变，我们定义了标准化的可持续性指标来评估模型训练效率，并使用简单的启发式方法来估计大语言模型推理的碳成本。我们在 Carbonbenchmark 中实施这些指标，这是一个用于跟踪和报告排放量的嵌入式软件解决方案。最后，为了反对以不成比例的环境成本追求边际精度增益，我们正式制定了“实现工作的最小模型”（SMAJ），该框架挑战该领域在传统的“最先进”（SotA）精度的同时优先考虑计算效率和环境责任。