論文の概要: Improving the Energy-Efficiency of the Code Generated by LLMs through Effective Prompting
- arxiv url: http://arxiv.org/abs/2610.02571v1
- Date: Thu, 01 Oct 2026 23:05:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.119568
- Title: Improving the Energy-Efficiency of the Code Generated by LLMs through Effective Prompting
- Title（参考訳）: 実効プロンプティングによるLLM生成符号の省エネ性向上
- Abstract要約: 我々は,エネルギー効率のよいコード生成戦略を21個評価し,広く使用されている10個のオープンウェイトおよびプロプライエタリなLCMに対して8個の評価戦略を同定した。
評価モデル全体で、選択されたプロンプト戦略は、Pythonで25%、C++コード生成で17%のエネルギー削減を達成した。
- 参考スコア（独自算出の注目度）: 3.4426578336707814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As AI-assisted programming becomes increasingly mainstream, the environmental impact of AI-generated software has emerged as an important consideration. This motivates evaluating LLM-generated code beyond functional correctness by considering execution efficiency and energy consumption. However, despite substantial advances in code generation, frontier LLMs are rarely evaluated based on the energy efficiency of the code they produce. In this work, we conduct a comprehensive evaluation of 21 prompting strategies for energy-efficient code generation and identify 8 strategies for evaluation across 10 widely used open-weight and proprietary LLMs. We evaluate their effectiveness for both Python and C++ code generation relative to a baseline prompt. Across the evaluated models, the selected prompting strategies achieved energy reductions of up to 25% for Python and 17% for C++ code generation. At the model level, Python energy reductions reached up to 50% for Granite-4.0-H-Small, 39% for Claude 4.5 Haiku, and 28% for MiniMax M3, while C++ reductions reached up to 56% for Granite-4.0-H-Small and 7% for Qwen3-Coder-480B-A35B-Instruct. These results demonstrate that prompting strategies can substantially influence the energy consumption of LLM-generated code, although their effectiveness varies across models and programming languages. Our findings highlight the importance of incorporating energy efficiency into the evaluation and optimization of LLM-based code generation and provide practical insights into designing prompts for more sustainable AI-assisted programming.
- Abstract（参考訳）: AI支援プログラミングが主流になるにつれて、AI生成ソフトウェアによる環境影響が重要視されている。
これは、実行効率とエネルギー消費を考慮し、LLM生成コードの評価を機能的正当性を超えたものにする。
しかしながら、コード生成の大幅な進歩にもかかわらず、フロンティアLSMは、それらが生成するコードのエネルギー効率に基づいて評価されることは滅多にない。
本研究では,エネルギー効率のよいコード生成のための21個の戦略を包括的に評価し,広く使用されている10個のオープンウェイトおよびプロプライエタリなLCMに対して,評価のための8つの戦略を特定する。
ベースラインプロンプトに対するPythonとC++のコード生成の有効性を評価する。
評価モデル全体で、選択されたプロンプト戦略は、Pythonで25%、C++コード生成で17%のエネルギー削減を達成した。
モデルレベルでは、Pythonのエネルギー削減はGranite-4.0-H-Smallで50%、Claude 4.5 Haikuで39%、MiniMax M3で28%、C++の削減はGranite-4.0-H-Smallで56%、Qwen3-Coder-480B-A35B-Instructで7%に達した。
これらの結果から, LLM生成コードのエネルギー消費は, モデルやプログラム言語によって異なるが, プロンプト戦略が著しく影響することが示唆された。
本研究は,LLMに基づくコード生成の評価と最適化にエネルギー効率を取り入れることの重要性を強調し,より持続可能なAI支援プログラミングのためのプロンプトの設計に関する実践的な洞察を提供する。
関連論文リスト
- Babbling Suppression: Making LLMs Greener One Token at a Time [46.879983975894135]
大規模言語モデル(LLM)は、現代のソフトウェア開発でますます使われている。
LLMは「バブリング(babbling)」と呼ばれ、さらなる認知、経済、エネルギーコストを発生させる。
本研究は, 解の精度を損なうことなく, 不要な出力を削減するための実用的, モデルに依存しない手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:21:02Z) - An Initial Exploration of Contrastive Prompt Tuning to Generate Energy-Efficient Code [46.879983975894135]
本研究の目的は, LLM がエネルギー効率の良いコード生成にどう最適化できるか, 検討することである。
CPTはContrastive Learningテクニックを組み合わせることで、モデルが効率的かつ非効率なコードを区別するのに役立つ。
本研究では,Python,Java,C++の3つのモデルにまたがるコーディング問題のCPTを評価し,包括的評価を行う。
論文 参考訳（メタデータ） (2026-03-03T12:36:15Z) - Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。
モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
論文 参考訳（メタデータ） (2026-02-05T14:38:19Z) - Toward Green Code: Prompting Small Language Models for Energy-Efficient Code Generation [0.5486463492959637]
ソフトウェア開発における大規模言語モデル(LLM)の環境影響に対する懸念が高まっている。
本研究は, コード生成におけるSLMのエネルギー効率向上を図ることを目的とする。
我々は、LeetCodeから150のPython問題に対して、StableCode-Instruct-3B、Qwen2.5-Coder-3B-Instruct、CodeLlama-7B-Instruct、Phi-3-Mini-4K-Instructの4つのオープンソースSLMを評価した。
論文 参考訳（メタデータ） (2025-09-12T03:38:15Z) - Energy-Aware Code Generation with LLMs: Benchmarking Small vs. Large Language Models for Sustainable AI Programming [2.588812622437082]
我々は,大規模言語モデル (LLM) に対するコード生成を明示的に訓練したオープンソースのSmall Language Models (SLM) と,効率的な人書きPythonコードの評価を行った。
我々はLeetCodeから150のコーディング問題を評価し、難易度、中性度、難易度という3つの難易度に均等に分散した。
LLMは全ての難易度で最高精度を達成するが、SLMは出力が正しければエネルギー効率が良くなる。
論文 参考訳（メタデータ） (2025-08-10T14:44:06Z) - Evaluating the Energy-Efficiency of the Code Generated by LLMs [2.1983110147455482]
本稿では,878のプログラミング問題に対して,20の一般的な大規模言語モデルが生成するコードのエネルギー効率について検討する。
研究されたLLMのうち、DeepSeek-v3とGPT-4oは最もエネルギー効率の良いコードを生成する。
動的プログラミング、バックトラック、ビット操作のような特定のアルゴリズム群では、LLM生成コードは人間の生成した標準解の最大450倍のエネルギーを消費することができる。
論文 参考訳（メタデータ） (2025-05-23T18:13:27Z) - EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。
本稿では,新しいベンチマークであるEfficientLLMを紹介する。
論文 参考訳（メタデータ） (2025-05-20T02:27:08Z) - Leveraging LLMs to Automate Energy-Aware Refactoring of Parallel Scientific Codes [1.2178992475191555]
大規模言語モデル (LLM) は、並列的な科学的コードを生成するためにますます使われている。
エネルギー効率のよい並列コードを生成する自動スクリーニングフレームワークLASSI-EEを提案する。
我々は、k個の符号候補を生成する際に、期待されるエネルギー削減を定量化する新しい計量であるEnergy-reduction@kを紹介する。
論文 参考訳（メタデータ） (2025-05-04T17:05:34Z) - Quantizing Large Language Models for Code Generation: A Differentiated Replication [51.85505914274633]
大規模言語モデル(LLM)は、コード生成において印象的な能力を示しており、特に自然言語で記述された要求を自動的に実装する。
LLMはメモリ(そして結果として炭素)のフットプリントに重大な課題をもたらす。
LLM量子化の新しいフロンティアは4ビット精度であり、平均メモリフットプリントが70%減少する。
論文 参考訳（メタデータ） (2025-03-10T09:26:08Z) - PerfCodeGen: Improving Performance of LLM Generated Code with Execution Feedback [78.89596149768458]
大規模言語モデル(LLM)は、ソフトウェア開発タスクを支援するために広く採用されている。
LLM生成コードの性能を向上させるトレーニングフリーフレームワークPerfCodeGenを提案する。
論文 参考訳（メタデータ） (2024-11-18T06:22:38Z)
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。