# Glossar zu grüner KI

> Verständliche Definitionen der Begriffe rund um grüne KI, von Token, Inferenz und PUE bis zu Rebound-Effekt, Suffizienz und Model Merging.

Source: https://greenai.guide/de/glossar/  
Updated: 2026-11-19

## Kurz gesagt

Dieses Glossar erklärt in verständlicher Sprache und in alphabetischer Reihenfolge die Begriffe, auf die man stößt, wenn man sich mit den Umweltkosten von KI beschäftigt. Jeder Begriff hat einen eigenen Link, sodass andere Seiten der Website direkt darauf verweisen können.

## Das Wichtigste

- Training baut ein Modell einmal auf; Inferenz ist jede spätere Nutzung.
- Effizienz heißt, dasselbe mit weniger zu erreichen; Suffizienz heißt, zu fragen, ob die Aufgabe überhaupt mit KI erledigt werden muss.
- PUE vergleicht den gesamten Energieverbrauch eines Rechenzentrums mit dem Energieverbrauch seiner Computer; 1,0 wäre perfekt.
- Der Rebound-Effekt tritt ein, wenn Effizienz etwas billiger macht und dadurch die Gesamtnutzung steigt.

Grüne KI verbindet Informatik, Mathematik, Ingenieurwesen, Energie und Politik, und jedes dieser Felder hat sein
eigenes Vokabular. Wörter wie „Modell“, „Effizienz“ und sogar „KI“ bedeuten für verschiedene Menschen
Unterschiedliches. Ein britisches Green-AI-Sandpit im Jahr 2026, an dem Mathematikerinnen und Mathematiker,
Informatikerinnen und Informatiker sowie Fachleute aus der Industrie teilnahmen, stellte fest: Am dringendsten
wollten die Beteiligten die grundlegenden Begriffe geklärt haben. Deshalb beginnt dieses Glossar ganz von vorn. Die
Begriffe sind alphabetisch nach ihrer englischen Bezeichnung geordnet. Wenn Ihnen ein Begriff fehlt,
[schreiben Sie uns](/de/kontakt/).

### Agentische KI (Agentic AI) {#agentic-ai}

KI, die eine Aufgabe selbstständig in mehreren Schritten erledigt, etwa suchen, Code schreiben, ihn ausführen und
Fehler beheben, statt nur eine einzelne Antwort zu geben. Da jeder Schritt das Modell erneut nutzt, kann agentische
KI viel mehr Token verbrauchen als ein Chat, und Agenten, die in Schleifen hängen bleiben, können viel verschwenden.
Siehe [agentische KI und Token-Verschwendung](/de/artikel/agentische-ki-und-token-verschwendung/).

### KI {#ai}

Kurz für künstliche Intelligenz: Computersysteme, die Aufgaben erledigen, die wir mit menschlicher Intelligenz
verbinden, etwa Bilder erkennen, Sprache verstehen oder Vorhersagen treffen. Im Alltag meint „KI“ im Jahr 2026
meist große generative Modelle wie Chatbots. Der Begriff umfasst aber auch weit kleinere Systeme wie Spamfilter und
Wettermodelle. Es lohnt sich also zu sagen, was man meint.

### KI-Kompetenz (AI literacy) {#ai-literacy}

Das Wissen und die Fähigkeiten, KI zu verstehen, sinnvoll zu nutzen und kritisch zu beurteilen: was sie kann und
was nicht, wie man ihre Ergebnisse überprüft und welche Kosten sie verursacht, auch ökologische.

### Automatische Differenzierung {#automatic-differentiation}

Ein Verfahren, mit dem ein Computer genau berechnen kann, wie sich das Ergebnis einer Rechnung ändert, wenn sich
jede einzelne Eingabe ändert. So lernen neuronale Netze (dort heißt es Backpropagation), und es wird auch genutzt,
um wissenschaftliche Simulationen zu optimieren.

### Benchmark {#benchmark}

Ein Standardtest, mit dem sich Systeme fair vergleichen lassen, zum Beispiel wie genau Modelle bei denselben Fragen
sind oder wie viel Energie sie für dieselbe Aufgabe verbrauchen. Benchmarks sind nur so nützlich wie die Aufgaben
und Messungen, die sie enthalten.

### CO2-bewusstes Rechnen (Carbon-aware computing) {#carbon-aware-computing}

Rechenaufgaben zu Zeiten oder an Orten ausführen, an denen der Strom sauberer ist, etwa einen großen Trainingslauf
verschieben, bis der Wind weht. Das eignet sich für Arbeiten, die keine sofortige Antwort brauchen.

### CO2-Intensität {#carbon-intensity}

Wie viel Kohlendioxid (oder gleichwertiges Treibhausgas) pro Einheit Strom ausgestoßen wird, meist in Gramm CO₂e
pro Kilowattstunde. Sie schwankt je nach Land und Stunde, abhängig davon, wie viel Strom aus fossilen Brennstoffen
oder erneuerbaren Quellen stammt.

### Rechenzentrum {#data-centre}

Ein Gebäude voller Computer, Speicher- und Netzwerktechnik, mit der Stromversorgung und Kühlung, die sie am Laufen
halten. Die meisten KI-Chatbots laufen in Rechenzentren, nicht auf dem Gerät der Nutzerin oder des Nutzers.

### Diffusionsmodell {#diffusion-model}

Eine Art generativer KI, die vor allem für Bilder und Videos verwendet wird und lernt, zufälliges Rauschen Schritt
für Schritt in ein Bild zu verwandeln. Die vielen Schritte erklären mit, warum das Erzeugen von Bildern viel mehr
Energie verbraucht als kurzer Text.

### Destillation {#distillation}

Ein kleines „Schüler“-Modell wird darauf trainiert, ein großes „Lehrer“-Modell nachzuahmen, sodass das kleine eine
Aufgabe fast genauso gut erledigen kann, zu einem Bruchteil der Rechenkosten.

### Edge-KI {#edge-ai}

KI, die auf oder in der Nähe des Geräts läuft, auf dem die Daten liegen, etwa einem Telefon, einer Kamera oder
einem Fabriksensor, statt in einem entfernten Rechenzentrum. Sie kann Netzwerkenergie sparen und die Privatsphäre
schützen, doch auch kleine Geräte summieren sich, wenn es Millionen davon gibt. Siehe
[Edge oder Cloud](/de/gute-praxis/edge-oder-cloud-wo-sollte-ki-laufen/).

### Effizienz {#efficiency}

Dasselbe nützliche Ergebnis mit weniger Aufwand erreichen: weniger Energie, Zeit, Wasser oder Hardware pro
Aufgabe. Effizienz ist für grüne KI unverzichtbar, reicht aber wegen des Rebound-Effekts allein nicht aus.

### Graue Emissionen (Embodied carbon) {#embodied-carbon}

Die Emissionen aus Herstellung, Transport und späterer Entsorgung von Geräten, im Unterschied zu ihrem Betrieb. Bei
KI gehört dazu die Herstellung von Chips, Servern und Rechenzentrumsgebäuden.

### Energielabel {#energy-label}

Eine einfache Bewertung, die zeigt, wie viel Energie ein Produkt verbraucht, wie die Labels von A bis G auf
Kühlschränken in Europa. Mehrere Gruppen entwickeln Entsprechungen für KI-Modelle, etwa den AI Energy Score von
Hugging Face, und der EU AI Act (KI-Verordnung) verpflichtet Anbieter von KI-Modellen mit allgemeinem
Verwendungszweck, ihren bekannten oder geschätzten Energieverbrauch zu dokumentieren. Siehe
[Energielabels für KI](/de/artikel/energielabels-und-benchmarks-fuer-ki/).

### Fine-Tuning {#fine-tuning}

Ein bereits trainiertes Modell wird mit Fachdaten noch etwas weiter trainiert, damit es eine bestimmte Aufgabe
besser erledigt. Das kostet weit weniger als ein Training von Grund auf.

### FLOPs {#flops}

Gleitkommaoperationen (floating-point operations): die grundlegenden Rechenschritte (Additionen und
Multiplikationen von Dezimalzahlen), die ein Computer ausführt. Sie zu zählen ist ein gängiger Weg, um abzuschätzen,
wie viel Rechenleistung ein Modell braucht. FLOPS mit großem S bedeutet meist Operationen pro Sekunde.

### FPGA {#fpga}

Ein Field-Programmable Gate Array: ein Chip, dessen Schaltungen sich nach der Herstellung neu konfigurieren lassen.
FPGAs können für eine bestimmte Aufgabe sehr effizient sein und lassen sich umprogrammieren, wenn sich Modelle
ändern, sind aber schwerer zu programmieren als GPUs.

### Generative KI {#generative-ai}

KI, die auf eine Anfrage hin neue Inhalte erzeugt, etwa Text, Bilder, Audio, Video oder Code. Chatbots und
Bildgeneratoren sind generative KI.

### GPU {#gpu}

Ein Grafikprozessor (graphics processing unit): ein Chip, der ursprünglich für Computergrafik entwickelt wurde und
viele Berechnungen gleichzeitig ausführen kann. GPUs sind die wichtigste Hardware für Training und Betrieb moderner
KI.

### Grüne KI {#green-ai}

KI, die so entwickelt und eingesetzt wird, dass ihr Energie-, CO2-, Wasser- und Materialfußabdruck so gering wie
möglich bleibt, und die dort genutzt wird, wo sie echten Mehrwert bringt. Das umfasst beides: KI effizienter zu
machen und sie nur dort einzusetzen, wo sie das richtige Werkzeug ist. Siehe
[Was ist grüne KI?](/de/artikel/was-ist-gruene-ki/).

### Greenwashing {#greenwashing}

Irreführende Behauptungen, ein Produkt oder eine Organisation sei umweltfreundlicher, als es tatsächlich der Fall
ist. In der EU verbietet die Richtlinie (EU) 2024/825 allgemeine Umweltaussagen gegenüber Verbraucherinnen und
Verbrauchern, die sich nicht belegen lassen. Siehe [ehrliche Umweltaussagen](/de/gute-praxis/ehrliche-umweltaussagen-ueber-ki/).

### Inferenz {#inference}

Die Nutzung eines trainierten Modells, um ein Ergebnis zu erzeugen, etwa eine Frage zu beantworten oder ein Bild
zu generieren. Jeder Prompt ist eine Inferenz. Bei beliebten Werkzeugen summiert sich der Energieverbrauch der
Inferenz deshalb so lange, wie das Modell in Gebrauch ist.

### Jevons-Paradoxon {#jevons-paradox}

Die Beobachtung des Ökonomen William Stanley Jevons in seinem Buch *The Coal Question* von 1865, dass effizientere
Dampfmaschinen dazu führten, dass Großbritannien mehr Kohle verbrannte, nicht weniger. Es ist der Extremfall des
Rebound-Effekts, bei dem Effizienz die Gesamtnutzung erhöht.

### KV-Cache {#kv-cache}

Kurz für Key-Value-Cache (Schlüssel-Wert-Zwischenspeicher). Wenn ein Sprachmodell eine Antwort Token für Token
schreibt, speichert es Zwischenergebnisse (die „Keys“ und „Values“ seiner Attention-Berechnung), damit es sie nicht
bei jedem Schritt neu berechnen muss. Das spart viel Rechenleistung, belegt aber Speicher.

### Großes Sprachmodell (LLM) {#large-language-model}

Ein generatives KI-Modell, das mit riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen,
oft als LLM (large language model) abgekürzt. Die meisten Chatbots beruhen auf einem solchen Modell.

### Latenz {#latency}

Die Verzögerung zwischen einer Anfrage und der Antwort. Manche Techniken der grünen KI tauschen etwas mehr Latenz
gegen geringeren Energieverbrauch, etwa indem sie Anfragen bündeln oder auf saubereren Strom warten.

### McNamara-Fehlschluss {#mcnamara-fallacy}

Der Fehler, das leicht Messbare für das einzig Wichtige zu halten und das nicht Messbare zu ignorieren. Bei grüner
KI ist er eine Warnung davor, Systeme nur nach bequemen Zahlen zu beurteilen und dabei Schäden zu übersehen, die
sich schwerer erfassen lassen, etwa Wasserverbrauch oder soziale Auswirkungen.

### Gemischte Genauigkeit (Mixed precision) {#mixed-precision}

Manche Berechnungen werden mit weniger Stellen Genauigkeit ausgeführt als andere, wo das Ergebnis nicht darunter
leidet. Geringere Genauigkeit braucht weniger Speicher und Energie.

### Mixture of Experts {#mixture-of-experts}

Eine Modellarchitektur aus vielen spezialisierten Teilnetzen („Experten“), bei der ein Router jede Eingabe nur an
einige wenige davon weiterleitet. Für jede Antwort wird nur ein Teil des Modells genutzt, was Rechenleistung spart,
obwohl das ganze Modell im Speicher und beim Training gebraucht wird.

### Modell {#model}

In der KI ist ein Modell das trainierte System, das Eingaben in Ausgaben umwandelt: die gelernte Menge an Zahlen
(Parameter) und die Struktur, die sie nutzt. In Wissenschaft und Technik kann „Modell“ auch eine mathematische
Beschreibung eines Systems bedeuten, etwa ein Klimamodell. Es hilft also zu sagen, was man meint.

### Model Merging (Souping) {#model-merging-souping}

Zwei oder mehr Modelle werden kombiniert, oft durch Mitteln ihrer Parameter, um ein Modell mit den Stärken jedes
einzelnen zu erhalten, ohne ein neues von Grund auf zu trainieren. „Model Soups“ war der Name, den Wortsman und
Kollegen 2022 verwendeten.

### Multi-Agenten-System {#multi-agent-system}

Eine Gruppe von KI-Agenten, die zusammenarbeiten oder einander Aufgaben übergeben. Sie können leistungsfähig sein,
doch wenn sie sich im Gespräch miteinander festfahren, können sie große Mengen an Token verbrauchen, ohne ein
nützliches Ergebnis zu liefern.

### Open-Weight-Modell {#open-weight-model}

Ein Modell, dessen trainierte Parameter (Gewichte) veröffentlicht sind, sodass jede und jeder es herunterladen und
ausführen kann, auch wenn Trainingsdaten und Code nicht offenliegen. Open-Weight-Modelle lassen sich lokal
betreiben und anpassen, und ihr Energieverbrauch lässt sich unabhängig messen.

### Orchestrierung {#orchestration}

Mehrere Modelle, Werkzeuge oder vorgefertigte Komponenten werden koordiniert, um eine Aufgabe zu erledigen, statt
alles von einem großen Modell erzeugen zu lassen. Siehe
[Orchestrierung statt Generierung](/de/artikel/orchestrierung-statt-generierung/).

### Parameter {#parameters}

Die Zahlen in einem Modell, die beim Training angepasst werden und gemeinsam speichern, was es gelernt hat. Große
Sprachmodelle haben Milliarden davon; Metas Llama-3.1-Familie zum Beispiel gibt es in Größen mit 8, 70 und 405
Milliarden Parametern. Mehr Parameter bedeuten meist mehr Rechenaufwand pro Antwort.

### Physikinformiertes neuronales Netz {#physics-informed-neural-network}

Ein neuronales Netz, das so trainiert wird, dass es bekannte physikalische Gesetze wie die Energieerhaltung
einhält und zugleich zu den Daten passt. Wenn dieses Wissen eingebaut ist, kann das weniger Daten, weniger
Parameter und weniger Training bedeuten.

### Prompt {#prompt}

Die Anweisung oder Frage, die eine Person einem generativen KI-Modell gibt. Klare, konkrete Prompts liefern meist
schon beim ersten Mal eine gute Antwort, was Zeit und Energie spart.

### Pruning {#pruning}

Teile eines trainierten Modells, etwa einzelne Gewichte oder ganze Verbindungen, die wenig zum Ergebnis beitragen,
werden entfernt („beschnitten“). Ein so verkleinertes Modell ist kleiner und günstiger im Betrieb, oft mit nur
geringem Genauigkeitsverlust.

### PUE {#pue}

Power Usage Effectiveness: der gesamte Energieverbrauch eines Rechenzentrums geteilt durch den Energieverbrauch
seiner IT-Geräte. Eine PUE von 1,0 würde bedeuten, dass keine Energie für Kühlung oder Stromverluste anfällt; je
niedriger, desto besser. Typische Werte und ihre Quellen finden Sie unter
[Hosting und Rechenzentren](/de/gute-praxis/hosting-und-rechenzentren-fuer-gruene-ki/).

### Quantisierung {#quantisation}

Die Zahlen eines Modells werden mit weniger Stellen gespeichert, zum Beispiel als 8-Bit- oder 4-Bit-Zahlen statt
als 16- oder 32-Bit-Zahlen. Das verkleinert das Modell und senkt den Energieverbrauch beim Betrieb, meist mit nur
geringem Qualitätsverlust.

### Rebound-Effekt {#rebound-effect}

Wenn ein Effizienzgewinn etwas billiger oder einfacher macht, sodass Menschen mehr davon nutzen und die Einsparung
teilweise oder ganz verloren geht. Wächst die Nutzung so stark, dass der Gesamtverbrauch steigt, spricht man vom
Jevons-Paradoxon. Siehe [Effizienz ist nicht Suffizienz](/de/artikel/effizienz-ist-nicht-suffizienz-der-rebound-effekt-bei-ki/).

### Routing {#routing}

Jede Anfrage wird an das am besten geeignete Modell geschickt, zum Beispiel ein kleines, günstiges Modell für
einfache Fragen und ein großes nur für schwierige. Die richtige Schwelle ist wichtig: Ein zu kleines Modell kann
scheitern und einen zweiten, größeren Versuch erzwingen.

### Scope-1-, Scope-2- und Scope-3-Emissionen {#scope-1-2-and-3-emissions}

Die drei Kategorien des Greenhouse Gas Protocol. Scope 1 sind direkte Emissionen aus Quellen, die eine
Organisation besitzt oder kontrolliert; Scope 2 sind Emissionen aus dem Strom, der Wärme oder der Kühlung, die sie
einkauft; Scope 3 sind alle anderen indirekten Emissionen in ihrer Wertschöpfungskette, etwa aus der Herstellung
der Hardware, die sie kauft.

### Kleines Sprachmodell {#small-language-model}

Ein Sprachmodell mit relativ wenigen Parametern, das günstig laufen soll, manchmal auf einem Laptop oder Telefon.
Für eng umrissene Aufgaben kann ein gut gewähltes kleines Modell mit einem viel größeren mithalten. Siehe
[das richtige Modell wählen](/de/gute-praxis/das-richtige-modell-fuer-die-aufgabe-waehlen/).

### Software Carbon Intensity {#software-carbon-intensity}

Eine Methode der Green Software Foundation, auch als ISO-Norm veröffentlicht, um die CO2-Emissionen pro
Arbeitseinheit einer Software zu berechnen, etwa pro Nutzer oder pro Anfrage.

### Souveräne KI {#sovereign-ai}

KI-Fähigkeiten wie Modelle, Daten und Recheninfrastruktur, die ein Land oder eine Region selbst kontrolliert,
statt sich auf ausländische Anbieter zu verlassen. Sie wirft eigene Fragen der Nachhaltigkeit auf; siehe
[souveräne KI und Nachhaltigkeit](/de/artikel/souveraene-ki-und-nachhaltigkeit/).

### Sparsität (Sparsity) {#sparsity}

Wenn viele der Zahlen in einem Modell oder viele seiner Aktivierungen für eine bestimmte Eingabe null sind. Die
Berechnung kann die Nullen überspringen, sodass ein dünn besetztes Modell viel günstiger laufen kann, sofern
Hardware und Software das unterstützen.

### Gepulstes neuronales Netz (Spiking neural network) {#spiking-neural-network}

Ein neuronales Netz, das wie das Gehirn Informationen als kurze Impulse (Spikes) weitergibt und zwischen ihnen
überwiegend ruht. Auf geeigneter Hardware versprechen solche Netze einen sehr geringen Energieverbrauch,
besonders am Edge.

### Suffizienz {#sufficiency}

Nur so viel einer Ressource zu nutzen, wie ein Bedarf wirklich erfordert, einschließlich der Frage, ob KI
überhaupt nötig ist. Sie ist das Gegenstück zur Effizienz: Effizienz fragt „Wie können wir das mit weniger tun?“,
Suffizienz fragt „Müssen wir das überhaupt tun?“.

### Surrogatmodell {#surrogate-model}

Ein schnelles, näherungsweises Modell, das darauf trainiert ist, eine langsame, aufwendige Berechnung zu ersetzen,
etwa einen Teil einer Klima- oder Ingenieursimulation. Ein gutes Surrogatmodell kann viel Energie sparen, sofern
seine Genauigkeit überprüft wird.

### Nachhaltige KI {#sustainable-ai}

Ein weit gefasster Begriff für KI, die entwickelt und genutzt werden kann, ohne die Ressourcen zu erschöpfen, von
denen sie abhängt; oft schließt er neben ökologischen auch soziale und wirtschaftliche Auswirkungen ein. Er
überschneidet sich mit grüner KI, und beide Begriffe werden oft gleichbedeutend verwendet.

### Token {#token}

Das Textstück, das ein Sprachmodell liest und schreibt, oft ein Teil eines Wortes. Die Faustregel von OpenAI für
Englisch lautet, dass ein Token etwa vier Zeichen oder etwa drei Viertel eines Wortes entspricht; andere Sprachen
brauchen für dieselbe Bedeutung oft mehr Token. Mehr Token bedeuten mehr Rechenaufwand.

### TPU {#tpu}

Eine Tensor Processing Unit: ein von Google entwickelter Chip speziell für die Berechnungen des maschinellen
Lernens.

### Training {#training}

Der Aufbau eines Modells, indem man ihm große Datenmengen zeigt und seine Parameter immer wieder anpasst, um seine
Fehler zu verringern. Das Training eines großen Modells kann Monate auf Tausenden von Chips dauern; Meta gibt
39,3 Millionen GPU-Stunden für das Training seiner Llama-3.1-Familie an.

### Unsicherheitsquantifizierung {#uncertainty-quantification}

Zu ermitteln, wie sicher wir uns beim Ergebnis eines Modells sein können, zum Beispiel indem man eine Spanne statt
einer einzelnen Zahl angibt. Das hilft bei der Entscheidung, wann ein günstigeres Modell gut genug ist und wann
ein Ergebnis überprüft werden muss.

### WUE {#wue}

Water Usage Effectiveness: das Wasser, das ein Rechenzentrum vor Ort verbraucht, in Litern, geteilt durch den
Energieverbrauch seiner IT-Geräte in Kilowattstunden. Niedriger ist besser, wobei eine Kühlung, die Wasser spart,
mehr Strom verbrauchen kann, und umgekehrt.

## Häufige Fragen

### Was ist der Unterschied zwischen grüner KI und nachhaltiger KI?

Die Begriffe werden mit überlappender Bedeutung verwendet. Grüne KI konzentriert sich meist darauf, den Verbrauch von Energie, CO2, Wasser und Material durch KI zu senken; nachhaltige KI ist oft weiter gefasst und umfasst auch soziale und wirtschaftliche Auswirkungen sowie die Frage, ob sich Ressourcen so schnell erneuern, wie sie verbraucht werden.

### Was ist ein Token bei KI?

Ein Token ist das Textstück, das ein Sprachmodell liest oder schreibt, oft ein Teil eines Wortes. Die Faustregel von OpenAI für Englisch lautet: etwa vier Zeichen oder drei Viertel eines Wortes pro Token.

### Was ist der Unterschied zwischen Training und Inferenz?

Training ist der Aufbau eines Modells, indem es aus Daten lernt, meist einmalig und mit großem Aufwand. Inferenz ist die Nutzung des fertigen Modells, um eine Frage zu beantworten oder ein Bild zu erzeugen, und sie geschieht jedes Mal, wenn jemand es verwendet.

## Quellen

- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Uptime Institute global data center survey 2025](https://intelligence.uptimeinstitute.com/resource/uptime-institute-global-data-center-survey-2025), Uptime Institute (2025)
- [Data center metering and resource guide](https://datacenters.lbl.gov/sites/default/files/DataCenterMeteringandResourceGuide_02072017.pdf), Lawrence Berkeley National Laboratory (2017)
- [GHG Protocol corporate standard](https://ghgprotocol.org/corporate-standard), Greenhouse Gas Protocol (2004)
- [W. Stanley Jevons, The Coal Question, 1865](https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/), Yale University, Energy History (1865)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al. (arXiv:2203.05482) (2022)
- [Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission, AI Act Service Desk (2024)
- [Directive (EU) 2024/825 on empowering consumers for the green transition](https://eur-lex.europa.eu/eli/dir/2024/825/oj), European Union (2024)
- [Software Carbon Intensity specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [ISO/IEC 21031:2024 Software carbon intensity (SCI) specification](https://www.iso.org/standard/86612.html), International Organization for Standardization (2024)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (Hugging Face) (2024)
