Joules-to-GDP: Kleineres Gemma 4 31B schlägt GLM 5.2 beim Nutzen pro Energieeinheit

5. November 2026, 01:47Quelle: Snorkel AI

Das KI-Modell mit dem wertvollsten Arbeitsergebnis ist nicht immer die beste Nutzung von Energie. Das zeigt Joules-to-GDP, eine Studie von Forschern aus Stanford, UC Berkeley und UT Austin. Von fünf getesteten Modellen lieferte GLM 5.2 den höchsten Nettowert pro Aufgabe, doch Gemma 4 31B erreichte 56 % dieses Werts mit 23 % der Energie.

Das Wichtigste in Kürze

Gemma 4 31B erreichte 56 % des Nettowerts von GLM 5.2 mit 23 % der Energie, also etwa den 2,5-fachen Nettowert pro Joule.
GPT-OSS 120B und GLM 5.2 lagen bei Kosten und Tempo fast gleichauf, doch GPT-OSS 120B verbrauchte 68 % weniger Energie.
Qwen3.6-27B auf acht statt einer H100 war nur 22 % schneller, verbrauchte aber das 3,24-Fache an Energie.
Gegenüber KI-unterstützten Experten sank der Nettowert pro Megajoule von GLM 5.2 um 70 %, von 168,1 $ auf 50,0 $.
Snorkel lieferte Expertenvergleichswerte für 220 GDPval-Aufgaben und half beim Aufbau von GDPWorks, 83 neuen Aufgaben in 36 Berufen.

Das wertvollste Modell ist nicht das effizienteste

Die Studie verglich fünf Modelle anhand von 220 GDPval-Aufgaben. Snorkel AI, das die Ergebnisse in seinem Blog beschreibt, gibt an, sein Forschungsteam habe Expertenvergleichswerte für diese Aufgaben geliefert und bei der Entwicklung von GDPWorks geholfen, einem Set aus 83 neuen Aufgaben in 36 Berufen, die GDPval nicht abdeckt.

GLM 5.2 erzeugte mit 74,19 US-Dollar pro Aufgabe den höchsten Ausgabewert und verbrauchte dafür 0,430 MJ Energie. Das entspricht laut Snorkel etwa vier Stunden aktiver Laptopnutzung. Gemma 4 31B erzeugte 44 % weniger Ausgabewert, erzielte aber etwa den 2,5-fachen Nettowert pro Joule. Nettowert bezeichnet hier den Dollarwert der KI-Arbeit abzüglich der Betriebskosten. Gemma 4 31B führte sowohl beim Nettowert als auch bei der eingesparten Expertenzeit pro Joule, mit 417,5 USD/MJ und 10,86 Stunden/MJ.

Das heißt nicht, dass das kleinere Modell immer gewinnt. Ein Modell mit hohem Ertrag pro Joule kann dennoch zu wenig Arbeit erledigen, weshalb die Studie den Gesamtwert neben den Pro-Joule-Zahlen ausweist. GLM 5.2 lief zudem auf acht H200, weil sein FP8-Serving-Setup nicht auf den Acht-H100-Knoten passte, der für die anderen vier Modelle diente. Seine Zahlen spiegeln also sowohl Modell als auch Hardware wider.

Energie zeigt, was Kosten und Tempo verbergen

GPT-OSS 120B und GLM 5.2 lagen bei Kosten und Geschwindigkeit fast gleichauf. GPT-OSS 120B kostete rund 3,1 % mehr und war etwa 2,1 % schneller, verbrauchte aber 68 % weniger Energie. GLM 5.2 lieferte mehr Nettowert pro Dollar KI-Kosten (37,69 gegenüber 19,09) und pro KI-Stunde (191,3 $ gegenüber 102,1 $), während GPT-OSS 120B pro Megajoule mehr erzielte (275,7 gegenüber 168,1 USD/MJ). Je nach Kennzahl ändert sich der Sieger.

Auch die Hardware spielt eine Rolle. Beim Betrieb von Qwen3.6-27B auf einem einzelnen Beschleuniger erzielte die NVIDIA B200 einen Nettowert von 535,5 $ pro Megajoule, gegenüber 391,3 bei der H200, 402,2 bei der H100 und 124,1 bei der AMD MI350X. Die Studie verweist auf Unterschiede bei Chipdesign, Speicherbandbreite und Leistungsaufnahme. Da die Energie über den gesamten Lauf gemessen wird, einschließlich der Wartezeit auf Tool-Aufrufe, hängt der Energieverbrauch eines Chips sowohl von seiner Leistungsaufnahme als auch von der Dauer der Arbeit ab. H200 und H100 lagen ungefähr gleichauf, der neuere Chip war also nicht automatisch besser.

Mehr GPUs und mehr Wiederholungen rechnen sich energetisch nicht

Der Wechsel von Qwen3.6-27B von einer H100 auf acht machte das Modell nur 22 % schneller, während der Energieverbrauch um das 3,24-Fache stieg. Der Ausgabewert blieb in etwa gleich (64,79 $ gegenüber 67,81 $ pro Aufgabe), und der Nettowert pro Joule sank von 402,2 auf 123,4 USD/MJ. Snorkel erklärt, dass die GPUs Daten untereinander austauschen und aufeinander warten müssen und dass die Tool-Aufrufe des Agenten, etwa das Ausführen von Code oder das Bearbeiten von Dateien, unabhängig von der GPU-Zahl nacheinander erfolgen. Alle acht GPUs zogen über den gesamten Lauf Strom.

Bei Wiederholungen zeigte sich ein ähnliches Bild. Bei vier Versuchen pro Aufgabe stieg der Ausgabewert von GLM 5.2 von 74,19 $ auf 93,42 $, doch die Energie wuchs von 0,430 auf 1,760 MJ, und der Nettowert pro Joule fiel von 168,1 auf 48,6 USD/MJ. Alle vier Versuche liefen und zählten zum Energieverbrauch, selbst wenn ein früherer bereits erfolgreich war. Ein System, das nach einer guten Antwort stoppt, würde weniger Energie verbrauchen; die Studie hat das nicht getestet.

Experten mit KI-Unterstützung legen die Messlatte höher

Die meisten Ergebnisse vergleichen die KI mit Experten, die allein arbeiten. Die Studie bewertete dieselben Ergebnisse von GLM 5.2 auch gegen Experten, die mit KI arbeiteten, was näher an der heutigen Arbeitsweise vieler Fachleute liegt. Der Nettowert pro Megajoule sank dann um 70 %, von 168,1 $ auf 50,0 $. Die KI-unterstützten Experten setzten die Latte höher, und GLM 5.2 überwand sie nur etwa halb so oft. Sie waren im Schnitt außerdem rund 23 % schneller, sodass der KI weniger Zeitersparnis blieb. Wo GLM 5.2 mit ihnen gleichzog, war es etwa 84 % schneller fertig.

Energie verändert auch, welche Arten von Arbeit am wertvollsten erscheinen. Aufgaben aus Architektur und Ingenieurwesen erzeugten pro Aufgabe etwa 10 % mehr Nettowert als Softwareentwicklung, doch die Softwareentwicklung erzeugte pro Joule etwa 27 % mehr. Jeder Beruf umfasst nur fünf Aufgaben, weshalb die Autoren warnen, dass diese Rangfolgen auf einer kleinen Stichprobe beruhen. Als sie in 10.000 Durchläufen zufällig je Kategorie eine Aufgabe entfernten, blieb „Computer and Mathematical“ beim Nettowert pro Joule in 76,5 % der Fälle auf Platz eins.

Wie die Messung funktioniert und was sie bedeutet

Der Net Value per Joule ist der Dollarwert eines KI-Ergebnisses abzüglich der Betriebskosten des Systems, geteilt durch die eingesetzte Energie. Time Saving per Joule ist die eingesparte Expertenzeit geteilt durch dieselbe Energie. Ein Bewertungsmodell, Gemini 3.1 Flash-Lite, vergleicht jedes KI-Ergebnis mit dem Arbeitsprodukt eines Experten, ohne zu wissen, welches welches ist. Ein Sieg oder Gleichstand bringt den Dollarwert der Aufgabe ein, berechnet aus der Zeit des Experten und dem mittleren Stundenlohn des Berufs. Eine Niederlage bringt nichts ein, doch Kosten und Energie zählen weiterhin. Die Energie umfasst GPU, CPU und Arbeitsspeicher über den gesamten Lauf und wird mit Intelligence per Watt gemessen.

Snorkel zufolge wurde jede der 220 GDPval-Aufgaben von verschiedenen Experten zweimal bearbeitet, einmal ohne KI und einmal mit KI-Unterstützung, wobei Letztere Claude über die Claude-Weboberfläche nutzte. GDPWorks ergänzt 36 Berufe, etwa Bioinformatiker und Einkaufsleiter, und seine Aufgaben sind anspruchsvoller: Die mediane geschätzte Bearbeitungszeit für Experten ohne KI beträgt 4,0 Stunden gegenüber 2,34 bei GDPval.

Für alle, die Modelle oder Hardware auswählen, legen die Ergebnisse nahe, dass Kosten und Geschwindigkeit allein in die Irre führen können und die beste Wahl davon abhängt, ob der Gesamtertrag oder der Ertrag pro Energieeinheit wichtiger ist.