一句话看懂：一篇发布在 Hugging Face Papers 的论文摘要提出 SIMPLE 法则，用四个参数预测大模型推理的计算与显存访问能耗，在 13 个稠密模型上 MAPE 为 11.97%，且无需针对单个模型重新校准。它值得关注，是因为推理耗电长期依赖“拟合”，而不是可解释的公式。
事件核心：发生了什么
该论文摘要于 2026 年 11 月公开，核心主张是：生成式 AI 按 token 计费，但不同 token 的能耗并不相等——每个 token 进入 KV-cache 后会推高后续 token 的成本，因此能耗沿序列呈非线性增长。作者从 MHA 与 GQA 两种注意力结构的计算和显存访问复杂度出发，推导出闭式表达式，并最终简化为 SIMPLE（四参数推理能耗模型），把 prefill 与 decode 分开，再把 decode 拆成 KV-cache 成本和下一 token 计算。
在 NVIDIA H100 上对 6 个家族、13 个稠密大模型的运行轨迹上，摘要给出的结果是 R²=0.969、MAPE 11.97%，比摘要所述 SOTA 低 3.1–3.5 倍，且不做逐模型校准。以上均为摘要信息，未核验全文实验。
为什么重要
以往最准确的能耗模型本质上是“拟合”：把架构差异吸收进系数里，每换一个模型就要重新拟合。SIMPLE 试图把架构超参数直接写进公式，让能耗预测变成可解释、可迁移的法则。按摘要结论，prefill 能耗随隐藏维度平方增长，意味着大模型受长输入拖累最明显；更激进的 GQA KV 分组相比标准 MHA 可把每 token 能耗最多降到约三分之一。对推理服务商和算力采购方来说，这类公式比黑箱拟合更适合做容量规划和成本归因。
对用户/开发者/创作者的影响
对调用 API 的开发者，摘要提示“按 token 计费”并不等于能耗与 token 数线性对应：长上下文、agentic 多轮请求会显著抬高实际成本。摘要称 agentic 请求的单次能耗为非 agentic 的 13.0 倍，prefix caching 能去掉约 93% 的 prefill 成本，但 KV-cache 部分不受影响，缓存后的 agentic 请求仍贵 4.8 倍。对做推理优化和模型选型的团队，这意味着 GQA 分组、输入长度和推理预算都是可量化的能耗杠杆；对普通用户，这些差异最终可能反映在长上下文或智能体类产品的定价上。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是全文是否披露 13 个模型的具体名单与任务分布，以及结论能否复现；二是该法则能否覆盖 MoE、多模态等摘要未提及的架构；三是云厂商或推理框架是否会把它用于计费、调度或能效评估。摘要还提到，推理 token 预算扩大后准确率上升，但能耗增长更快，单位焦耳智能在中间预算处达到峰值、在 4 倍预算区间内最多下降 3.14 倍——这一权衡是否被产品化，值得继续观察。
