超越 SotA：为 AI 研究标准化环境影响指标

一篇 arXiv 论文对 NeurIPS 2025 接收的 5,285 篇论文做自动文献综述，发现几乎没有报告环境影响。作者据此提出模型训练效率的标准化可持续性指标，并给出估算 LLM 推理碳成本的启发式方法，同时发布 carbonbenchmark 软件工具，还提出 SMAJ 框架，主张在追求 SotA 准确率之外兼顾计算效率与碳责任。

此前机器学习社区虽多次呼吁负责任 AI，但碳核算缺乏统一实践，NeurIPS 2025 投稿中的环境报告几乎为零。该工作把模糊的倡议变成可操作的指标、估算方法与现成工具，并将评估标准从单一准确率扩展到效率与排放，为论文与模型评审引入新的可比维度。

机制上，论文用自动文献综述量化报告缺失的规模，再定义训练效率的标准化指标，并用简单启发式估算推理阶段碳成本，降低统计门槛。carbonbenchmark 作为可插入的软件方案，把排放追踪嵌入现有流程，从而减少人工上报阻力；SMAJ 则通过改变目标函数，把边际准确率收益与不成比例的环境代价放在同一框架下权衡。

对研发和产品团队而言，模型选型可能不再只看准确率，而要同时看训练与推理的碳成本；carbonbenchmark 这类现成工具可降低自建排放统计的成本，并让内部评审、对外报告和合规披露有统一口径，进而影响算力预算、模型规模选择和上线决策。

• 将 carbonbenchmark 集成进模型训练与部署流水线，自动产出排放报告供内部评审
• 面向企业客户提供 LLM 推理碳成本估算功能，作为 API 或模型选型的附加指标
• 在模型评测或排行榜中加入训练效率与排放字段，形成区别于纯准确率的对比维度
• 基于 SMAJ 思路开发选型工具，按任务目标推荐满足准确率门槛的最小模型

• 这些标准化指标的具体定义和覆盖范围尚未在证据中展开
• 启发式推理碳成本估算的准确度与适用边界未经验证
• carbonbenchmark 的可用性、维护方与集成成本未知
• SMAJ 是否会或如何被会议、期刊或企业评审流程采纳尚不明确