論文の概要: Wasted large language models: A life cycle thinking approach

• arxiv url: http://arxiv.org/abs/2608.17055v1
• Date: Mon, 17 Aug 2026 18:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.101493
• Title: Wasted large language models: A life cycle thinking approach
• Title（参考訳）: 無駄な大規模言語モデル:ライフサイクル思考アプローチ
• Abstract要約: LLM(Large Language Models)は、機械学習(ML)モデルである。 これらのモデルのエネルギー効率向上への取り組みは、Jevons Paradoxのようなリバウンド効果により、消費を減少させるには至っていない。 我々は,欧州連合の廃棄物フレームワーク指令から廃棄物の階層化の可能性について検討し,廃棄物の処理方法に関する5つの異なる措置を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are machine learning (ML) models that have an increasingly large carbon footprint through their development and use. Efforts to increase the energy efficiency of these models have not translated into reduced consumption due to rebound effects such as Jevons Paradox - that increased efficiency drives increased use. There is therefore a need for additional measures to solve this problem. We suggest that one possible way forward is to use life cycle thinking, and view LLMs as products that can become waste. With this perspective, we investigate the potential of the waste hierarchy from the EU's Waste Framework Directive, which suggests five different measures for how to manage waste: prevention, reuse, recycling, recovery, and disposal. We examine how these measures can inform and motivate new types of thinking and approaches to reducing LLM waste and their environmental impact in general. Applying the waste hierarchy to LLMs highlights that preventing waste is essential for reducing the models' environmental impact, mainly because it reduces the need for training new models. Prevention can be achieved through many existing methods for reusing, "recycling", and "recovering" LLMs. Additionally, disposal can be important both for saving energy and for keeping a considerate attitude to the resources being spent on training LLMs. We also call to attention that prevention of unnecessary use of LLMs carry huge potential for lowering the climate impact of the models.
• Abstract（参考訳）: LLM(Large Language Models)は、機械学習(ML)モデルである。 これらのモデルのエネルギー効率を向上する努力は、Jevons Paradoxのようなリバウンド効果によって消費を減少させるには至っていない。 したがって、この問題を解決するための追加の措置が必要である。 今後,LCMを無駄になる可能性のある製品として,ライフサイクル思考を活用することが考えられる。 この観点から, 廃棄物処理, 再利用, リサイクル, 回収, 処分の5つの方法が提案されている。 我々は, これらの対策が, LLM廃棄物の削減と環境影響全般に対する新たな考え方やアプローチを, どのように情報提供し, 動機付けるかを検討する。 廃棄物階層をLCMに適用することは、新しいモデルをトレーニングする必要性を減らし、モデルが環境に与える影響を減らすために、ムダの防止が不可欠であることを強調している。 予防は、再利用、リサイクル、LLMの「回収」など、既存の多くの方法によって達成できる。 また、省エネとLLMの訓練に費やされている資源に対する配慮の両面において、廃棄は重要である。 また, LLMの不要使用防止は, モデルによる気候影響を低減させる大きな可能性を秘めていることも注意を喚起する。

関連論文リスト

• Emissions and Performance Trade-off Between Small and Large Language Models [1.0863226323853896]
  本研究では,事前定義されたタスクの持続可能な代替手段として,微調整小言語モデル(SLM)を用いる可能性について検討する。 その結果,6つのタスクのうち4つのタスクにおいて,SLMは推定時の二酸化炭素排出量の大幅な削減に匹敵する性能を維持した。
  論文  参考訳（メタデータ） (2025-12-21T07:00:22Z)
• The Environmental Impacts of Machine Learning Training Keep Rising Evidencing Rebound Effect [3.255583064724235]
  過去10年間の著名なAIシステムのトレーニングに関連する環境影響を推定する。 まず、この期間にグラフィクスカードの生産が着実に増加したこと。 ハードウェアの影響は、影響のシフトを避けるために、唯一の使用フェーズではなく、ライフサイクル全体を通して考慮する必要がある。
  論文  参考訳（メタデータ） (2025-10-10T05:49:37Z)
• Large Language Model-enhanced Reinforcement Learning for Low-Altitude Economy Networking [71.83640290222928]
  Low-Altitude Economic Networking (LAENet)は、1000m以下の多様な飛行アプリケーションをサポートすることを目的としている。 複雑な意思決定、資源の制約、環境の不確実性は、LEENetの開発に重大な課題をもたらす。
  論文  参考訳（メタデータ） (2025-05-27T11:25:42Z)
• Scalable LLM Math Reasoning Acceleration with Low-rank Distillation [57.922185576872444]
  資源効率の高い蒸留法を提案し, 効率的な推論手法の展開から損失能力を回収する。 もともとの重みは未成熟で、パラメータの約1%、合成トレーニングサンプルは20Kに過ぎなかった。
  論文  参考訳（メタデータ） (2025-05-08T17:51:24Z)
• Optimizing Large Language Models: Metrics, Energy Efficiency, and Case Study Insights [2.1249213103048414]
  大規模言語モデル(LLM)の急速な採用により、エネルギー消費と二酸化炭素排出量が大きくなった。 本稿では,これらの問題に対処するため,LLMの展開におけるエネルギー効率の最適化手法の統合について検討する。
  論文  参考訳（メタデータ） (2025-04-07T21:56:59Z)
• Systematic Weight Evaluation for Pruning Large Language Models: Enhancing Performance and Sustainability [1.542607498220242]
  本研究は,トレーニング過程を通じて,個人の体重重大度を体系的に評価することに焦点を当てる。 性能を損なうことなくモデルサイズを効果的に削減する手法を提案する。 これらの発見は、持続可能な開発を保証するために最適化されたAIモデルの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-24T11:34:49Z)
• Large Language Models can be Strong Self-Detoxifiers [82.6594169242814]
  SASA(Self-disciplined Autoregressive Smpling)は、大規模言語モデル(LLM)の毒性低減のための軽量制御復号アルゴリズムである。 SASAは、自己回帰サンプリング戦略を調整することにより、電流出力のマージンを追跡し、有害な部分空間から世代を分離する。 Llama-3.1-Instruct (8B), Llama-2 (7B), GPT2-L model with the RealToxicityPrompts, BOLD, and AttaQ benchmarks。
  論文  参考訳（メタデータ） (2024-10-04T17:45:15Z)
• Towards Green AI in Fine-tuning Large Language Models via Adaptive Backpropagation [58.550710456745726]
  ファインチューニングは、トレーニング済みの大規模言語モデル(LLM)を下流アプリケーションに適用する最も効果的な方法である。 既存の高速微調整技術は, FLOPの低減に限界がある。 本稿では,異なるテンソルのバックプロパゲーションコストを適応的に評価する新しい手法であるGreenTrainerについて述べる。
  論文  参考訳（メタデータ） (2023-09-22T21:55:18Z)
• On the Risk of Misinformation Pollution with Large Language Models [127.1107824751703]
  本稿では,現代大規模言語モデル (LLM) の誤用の可能性について検討する。 本研究は, LLMが効果的な誤情報発生器として機能し, DOQAシステムの性能が著しく低下することを明らかにする。
  論文  参考訳（メタデータ） (2023-05-23T04:10:26Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。