一篇新的研究论文探讨了时间序列基础模型（TSFM）的可持续性，特别是分析了它们在预训练和部署过程中的碳足迹。研究发现，像Chronos-2这样的TSFM可以在大规模或频繁使用场景下，在几个月内摊销其高昂的预训练成本，而传统的监督模型在较小规模或不频繁部署的情况下仍然更具成本效益。该研究还提出了一种剪枝方法，通过移除单个编码器块，在对预测性能影响可忽略不计的情况下，将FLOPs和CO2排放量减少6-9%。 AI
影响 提出降低大型预测模型环境影响的方法，可能降低运营成本。
排序理由 在arXiv上发表的研究论文，详细介绍了AI模型可持续性的分析和缓解策略。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
