文章主要内容总结本文针对大型语言模型（LLMs）评估中能源消耗因素被忽视的问题，提出了生成能源竞技场（Generative Energy Arena, GEA）这一评估平台。背景：现有LLM评估方法存在局限——自动化基准测试与人类偏好相关性低，传统人类评估可扩展性差，公开竞技场（如LM Arena）未考虑能源消耗；而LLM的能源消耗（训练和推理阶段）日益成为重要议题。GEA设计：解决了三个核心问题：能源信息获取：通过比较同系列不同规模的模型（如GPT-4.1与GPT-4.1-mini），提供相对能耗信息（不涉及绝对值）；能源信息呈现：采用两步评估流程，先让用户仅基于质量选择，再告知能耗信息并询问是否更改选择，避免偏见；影响指标：定义了投票改变率（EcE_cE