GenAI-GreenML：面向生成式AI与绿色机器学习的精选数据集

一个包含50个小型开源机器学习仓库的精选数据集，专门用于研究生成式AI辅助代码生成和能效优化的机器学习开发。

• 原作者/维护者: Bearwick
• 来源平台: GitHub
• 原始标题: GenAI-GreenML
• 原始链接: https://github.com/Bearwick/GenAI-GreenML
• 发布时间: 2026-06-09

生成式人工智能（Generative AI）正在重塑软件开发的方方面面，从代码补全到自动化测试，从文档生成到架构设计。然而，这种便利背后隐藏着一个日益严峻的问题：AI 辅助编程的环境成本。

大语言模型（LLM）训练和推理过程消耗大量能源，产生显著的碳排放。与此同时，由 LLM 生成的代码是否比人工编写的代码更节能？生成的机器学习模型是否考虑了能效优化？这些问题目前缺乏系统性的研究数据支撑。

GenAI-GreenML 数据集正是为填补这一研究空白而创建的。它提供了一个经过精心筛选的基准数据集，专门用于评估生成式 AI 在代码生成任务中的环境影响和能效表现。

GenAI-GreenML 是一个包含 50 个小型开源机器学习仓库的精选集合，所有仓库的体积均控制在 500 MB 以内，涵盖表格数据（Tabular）和自然语言处理（NLP）两大领域。

1. 小规模优先：选择小于 500 MB 的仓库，降低实验的计算资源门槛，使更多研究者能够复现和扩展研究。

2. 领域代表性：覆盖 tabular 数据处理和 NLP 两大核心 ML 领域，确保研究结论的普适性。

3. 开源许可：所有收录项目均采用开源许可，支持学术和商业研究使用。

4. 实用性导向：选择具有实际应用场景的项目，而非纯粹的学术研究代码。

该数据集为评估不同大语言模型（GPT-4、Claude、Llama 等）的代码生成能力提供了标准化测试平台：

• 功能正确性：生成的代码是否能正确实现预期功能？
• 代码质量：生成代码的可读性、可维护性、注释完整性如何？
• 安全漏洞：生成代码是否包含常见的安全漏洞？

通过对比人工编写代码与 LLM 生成代码的能效表现，研究者可以：

• 识别 LLM 在能效优化方面的优势和局限
• 开发提示工程策略，引导 LLM 生成更节能的代码
• 建立绿色 AI 编码的最佳实践指南

为软件工程领域的研究者提供实证数据，探索：

• AI 辅助开发对软件碳足迹的长期影响
• 代码生成工具的环境成本效益分析
• 绿色编程范式的演进趋势