斯坦福提出Joules-to-GDP框架评估AI能效比
先了解这件事
2026年11月，斯坦福等机构提出Joules-to-GDP框架，用于测量AI工作扣除运行成本后每焦耳能量的净经济价值，并在GDPval的220个专业任务、44个职业上测试5个开源模型。据X用户Rohan Paul的报道，GLM 5.2单任务净价值最高，但Gemma 4 31B仅用23%的能量就达到其56%的价值；Qwen3.6-27B从1张H100扩到8张，速度仅快22%，能耗却增至3.2倍。同一来源的后续报道称，研究用同一模型Qwen3.6-27B对比4款单芯片，发现NVIDIA B200每单位能量的美元价值超AMD MI350X 4倍以上，节省的专家时间超9倍。目前进展集中于框架指标与芯片能效对比结果。
AI 根据报道生成 · 6 分钟前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Rohan Paul (@rohanpaul_ai) · XStanford 研究：NVIDIA B200 每单位能量的美元价值超 AMD MI350X 4 倍
Stanford 新研究在 220 个真实专业任务上用同一模型 Qwen3.6-27B 对比 4 款单芯片的每焦耳产出，发现 NVIDIA B200 每单位能量的美元价值超 AMD MI350X 4 倍以上，节省的专家时间超 9 倍。研究构建 Joules-to-GDP 指标衡量 AI 工作减去运行成本后的每焦耳净价值；引用内容还显示 Gemma 4 31B 以 23% 的能量获得 GLM 5.2 每任务净价值的 56%，8 卡 H100 只让任务快 22% 却耗能 3.24 倍。
- Rohan Paul (@rohanpaul_ai) · X斯坦福 Joules-to-GDP 论文发现小模型单位能耗经济价值可远超最强模型
斯坦福等机构提出 Joules-to-GDP 框架，测量 AI 工作扣除运行成本后每焦耳能量的净经济价值，在 GDPval 的 220 个专业任务、44 个职业上测试 5 个开源模型。GLM 5.2 单任务净价值最高，但 Gemma 4 31B 用 23% 的能量达到其 56% 的价值；Qwen3.6-27B 从 1 张 H100 扩到 8 张仅快 22%，能耗却增至 3.2 倍。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。