LLMFootprint

LLMFootprint 是一款面向 AI 开发者和研究人员的在线工具，用于估算大语言模型在训练和推理过程中消耗的能源以及产生的碳排放量。随着 AI 模型规模不断扩大，其能源消耗和碳足迹逐渐成为行业关注的焦点，但普通开发者很难获得这些数据。LLMFootprint 通过整合公开的模型训练数据和主流 GPU 硬件的能效参数，为用户提供了一个便捷的估算入口。

核心功能

• 多模型能耗估算：支持估算包括 FlashQwen3.8-Flash-Next、FrontierDeepSeek V4 Pro、SOTAKimi K3 等多种主流大语言模型的能源消耗和碳排放量。
• 灵活输入配置：用户可自定义输入 Token 数量、输出 Token 数量、缓存读取量等参数，针对具体的实际使用场景进行个性化估算，而非仅依赖固定的数据样本。
• 缓存效益分析：单独区分缓存读取与新鲜输入的能耗差异，帮助开发者理解缓存策略对整体能效的影响。
• 硬件平台对比：内置不同 GPU 硬件配置（如 B300 系列）的能效参数，支持横向对比不同硬件平台下的能耗表现。
• serving 配置模拟：提供不同 serving 配置（高吞吐 vs 低延迟）的能耗差异展示，帮助用户理解服务部署策略对能效的影响。
• 实时计算输出：用户调整参数后，页面实时更新能源消耗和碳排放估算值，无需等待后台处理。
• 开源项目参考数据：引用了 Bun 编译器重写（Zig 转 Rust）等真实开源项目的 Token 使用报告作为参考基准，增加估算的可信度。

特色优势

LLMFootprint 的核心价值在于将复杂的 AI 能耗问题透明化。大多数 AI 工具的碳足迹对普通用户是不可见的，而该工具通过公开模型参数和硬件系数，让开发者可以在实际项目规划阶段就评估引入 AI 的环境成本，而不是事后才知道消耗了多少能源。产品页面还特别标注了各数据的假设前提和不确定性范围，避免用户将估算值误当作精确测量值，体现了较好的数据诚实性。

应用场景

• 项目碳排放核算：企业开发团队在项目立项阶段评估 AI 相关功能的碳足迹，辅助绿色 IT 决策。
• 模型选型参考：技术负责人对比不同模型的能效表现，结合性能需求和环保要求选择合适的模型。
• AI 政策合规：满足日益严格的 AI 碳排放披露要求，提供可供参考的量化数据。
• 学术研究支撑：研究人员在论文中引用模型能耗数据，支持 AI 可持续性相关研究。

适用人群

AI 应用开发者、数据中心运维人员、企业可持续发展负责人、环保技术顾问，以及对 AI 碳足迹话题感兴趣的研究人员。

出品方

LLMFootprint 由关注 AI 可持续性的独立开发者维护，数据基于公开模型信息和主流 GPU 硬件能效参数建模。

更新动态

持续更新中，支持的模型和硬件配置随行业进展逐步增加。

官网链接

https://llmfootprint.fyi/