← heapsort-ai

Energy Efficiency

13 items

RESEARCHarXiv CS.AI·vor 15T

Energy per Successful Goal: Goal-Level Energy Accounting for Agentic AI Systems

Aktuelle KI-Energie-Benchmarks, die typischerweise einzelne Aufrufe messen, stellen die Kosten für agentische Systeme, die mehrstufige Orchestrierung und Wiederholungsversuche umfassen, falsch dar. A-LEMS führt die Energie pro erfolgreichem Ziel (EpG) ein, um die gesamte Workflow-Energie, einschließlich Fehler, zu aggregieren und so eine genauere Messung der Kosten für die Zielerreichung zu ermöglichen.

28
RESEARCHarXiv CS.LG·vor 22T

AgentStop: Terminating Local AI Agents Early to Save Energy in Consumer Devices

Diese Arbeit untersucht den Zeit-, Token- und Energieaufwand von lokal auf Consumer-Hardware eingesetzten LLM-basierten KI-Agenten. Es zeigt sich, dass, obwohl lokale Agenten Datenschutz- und Kostenbedenken adressieren, ihre iterative Argumentation und Tool-Nutzung den Ressourcenverbrauch erheblich steigern, was zu höherem GPU-Stromverbrauch und Batterieentladung führt.

28
ARTICLEDEV.to AI·4/27/2026

The Substrate Switch

Ein Cambridge-Memristor erreicht einen millionenfach geringeren Schaltstrom und verspricht, den Energieverbrauch von KI-Inferenzen um über 70% zu senken. Der Herstellungsprozess erfordert jedoch 700°C, was mit Standard-CMOS-Fertigungslinien inkompatibel ist und zeigt, dass die Fertigungskompatibilität entscheidend für die Produktion ist.

27
RESEARCHarXiv CS.AI·5/4/2026

Token Arena: A Continuous Benchmark Unifying Energy and Cognition in AI Inference

TokenArena wird als kontinuierlicher Benchmark eingeführt, der die KI-Inferenz auf Endpunktgranularität entlang von fünf Kernachsen misst. Es fasst Ausgabegeschwindigkeit, Zeit bis zum ersten Token, Preis, effektiven Kontext und Qualität, zusammen mit Energieabschätzungen, in Verbundwerte wie Joule und Dollar pro korrekter Antwort sowie Endpunkt-Fidelity zusammen.

27
RESEARCHarXiv CS.LG·vor 15T

FusionSense: Tri-Stage Near-Sensor Learning for Runtime-Adaptive Multimodal Edge Intelligence

FusionSense stellt ein dreistufiges Near-Sensor-Lernframework für energiebeschränkte autonome Edge-Systeme vor, das die Herausforderungen der multimodalen Sensorverarbeitung adressiert. Es optimiert Berechnung und Übertragung durch das Training leichter Near-Sensor-Klassifikatoren mit fusionsbewussten Entscheidungen, was die Anpassungsfähigkeit und Effizienz verbessert.

27
ARTICLEDEV.to AI·vor 26T

Ecobrezze Ceiling Fan

Der Ecobrezze Deckenventilator von ORISTAR bietet eine leistungsstarke Luftzirkulation, leisen Betrieb und ein elegantes Design für moderne Haushalte, wobei der Fokus auf Energieeffizienz liegt. Er kombiniert fortschrittliche Technik mit erstklassigem Design, um modernen Lebensstilanforderungen gerecht zu werden und Komfort sowie Langlebigkeit zu gewährleisten.

3