Beyond Energy: When Sustainability Dimensions Reshape LLM Serving Decisions

📄 arXiv: 2609.35569v1 📥 PDF

作者: Tianyao Shi, Xipeng Shen, Yi Ding

分类: cs.CY, cs.DC, cs.LG, cs.PF

发布日期: 2026-09-28

备注: 41 pages, 30 figures, 13 tables

💡 一句话要点

提出PRISM框架以优化大型语言模型的可持续性决策

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 可持续性 环境影响 优化决策 PRISM框架

📋 核心要点

  1. 现有方法往往孤立评估LLM服务的环境影响，缺乏对多维度优化决策的全面理解。
  2. PRISM框架通过统一评估能源、碳、水和生物多样性影响，提出了一种新的优化策略。
  3. 实验结果显示，PRISM在区域路由任务中显著降低了最坏情况的遗憾，提升了优化效果。

📝 摘要（中文）

大型语言模型（LLM）的服务在能源消耗、碳排放、水资源消耗和生物多样性损失等方面具有环境影响。然而，这些维度往往被孤立评估，导致不清楚何时以及如何导致不同的优化决策。本文提出了PRISM，一个统一的框架，用于表征和优化LLM服务的四个维度。分析表明，计算配置决定能源消耗，而LLM服务的部署时间和地点则决定其碳、水和生物多样性影响。在固定的部署选择和仅考虑操作的情况下，所有维度保持相同的基于能源的配置排名。PRISM识别这些条件，量化跨维度的遗憾，并平衡四个维度。在区域路由实验中，PRISM相较于最强基线减少了50.2%的中位最坏情况遗憾。

🔬 方法详解

问题定义：本文旨在解决大型语言模型服务的环境影响评估不足的问题，现有方法未能综合考虑能源、碳、水和生物多样性等多个维度的影响。

核心思路：PRISM框架通过统一的视角评估和优化LLM服务的多维度影响，强调计算配置与部署选择的区别，以实现更全面的可持续性决策。

技术框架：PRISM的整体架构包括四个主要模块：环境影响评估、配置优化、部署选择分析和跨维度遗憾量化。每个模块相互关联，共同支持优化决策。

关键创新：PRISM的核心创新在于识别计算配置与部署选择对环境影响的不同作用，提出了跨维度遗憾的量化方法，突破了传统方法的局限。

关键设计：在PRISM中，关键参数设置包括生命周期交叉边界的定义和影响量化方法，损失函数设计考虑了多维度的平衡，确保优化结果的可持续性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在区域路由实验中，PRISM相较于最强基线减少了50.2%的中位最坏情况遗憾，显示出其在多维度优化中的显著优势，为可持续性决策提供了有效的工具。

🎯 应用场景

该研究的潜在应用领域包括云计算服务、数据中心管理和智能城市建设等。通过优化LLM服务的环境影响，能够为企业和政府提供可持续发展的决策支持，推动绿色技术的应用与发展。

📄 摘要（原文）

Large language model (LLM) serving has environmental impacts across energy consumption, carbon emission, water consumption, and biodiversity loss. Yet these dimensions are largely evaluated in isolation, leaving it unclear when and how they lead to different optimization decisions. We present PRISM, a unified framework for characterizing and optimizing LLM serving across energy, carbon, water, and biodiversity impacts. Our analysis reveals a fundamental distinction: computing configurations determine energy consumption, whereas where and when LLM serving is deployed determine its carbon, water, and biodiversity impacts. Under a fixed deployment choice and operational-only accounting, all dimensions preserve the same energy-based configuration ranking. Deployment rankings can diverge across dimensions, while embodied impacts can break configuration invariance when they exceed a lifecycle crossover boundary. PRISM identifies these conditions, quantifies cross-dimensional regrets, and balances the four dimensions. In regional-routing experiments, PRISM reduces median worst-case regret by 50.2% relative to the strongest baseline.