مالیات زبان یک سؤال، تا ۱۷۹ برابر انرژی؛ و فارسی کجای این صف است
همان ۹۰۰ سؤال درک مطلب را یک بار به انگلیسی و یک بار به پشتو از یک مدل زبانی بپرس؛ با همان مدل و همان کارت گرافیک. پژوهشی تازه در EMNLP 2026 برقِ مصرفی را اندازه گرفت: ۱۷٫۶ کیلوژول برای انگلیسی و ۳٬۱۴۷ کیلوژول برای پشتو. یعنی ۱۷۹ برابر، برای جواب‌هایی که کمتر از نصف دفعات درست بودند. این‌جا یافته‌های مقاله در ۱۲۲ زبان را می‌بینی، و این‌که فارسی کجای این صف است.
بر اساس مقاله‌ی دنگ و همکاران (۲۰۲۶)، دانشگاه میشیگان، دانشگاه ابردین و دانشگاه کمبریج. عددها از مقاله‌اند؛ زاویه‌ی فارسی از ماست.
- پشتو در برابر انگلیسی
- ۱۷۹×
- کل انرژی، همان ۹۰۰ سؤال
- شکاف انرژی هر توکن
- ۸٫۳×
- ارزان‌ترین در برابر گران‌ترین زبان
- زبانِ اندازه‌گیری‌شده
- ۱۲۲
- ۵۶ پرمنبع، ۶۶ کم‌منبع
- فارسی در برابر انگلیسی
- ≈۴×
- انرژی هر جواب (حساب ما روی داده‌ی نویسندگان)
چه چیزی اندازه‌گیری شد و چه چیزی نه
نتایج ۱۲۲ زبان از یک مدل باز، Qwen3-8B، روی یک کارت گرافیک NVIDIA L40S به دست آمده که به سؤال‌های درک مطلب Belebele با استدلال گام‌به‌گام جواب داده. نویسندگان مقایسه‌ی اصلی را روی پنج مدل، دو کارت گرافیک، شش اندازه‌ی دسته و سه نوع کار تکرار کرده‌اند. ChatGPT، Gemini و Claude اندازه‌گیری نشده‌اند، چون به همکاری شرکت‌ها نیاز دارد. پس این‌ها ژولِ اندازه‌گیری‌شده برای مدل‌های بازند، نه قبض هیچ چت‌بات تجاری.
هر نمودار تعاملی بار اولی که با آن کار کنی یک نشان می‌دهد. شش نشان در این صفحه هست.
۱ · زبان تو
یک جواب به زبان تو چقدر انرژی می‌برد؟
هر کدام از ۱۲۲ زبان را انتخاب کن. عددها از نویسندگان‌اند: مدل Qwen3-8B روی بنچمارک Belebele، با ۹۰۰ سؤال برای هر زبان. عددهای هر جواب، کل آن‌ها تقسیم بر ۹۰۰ است.
- انرژی هر توکن خروجی
- ۰٫۱۴ ژول
- توکن در هر جواب
- ۵۶۳
- انرژی هر جواب
- ۸۰٫۸ ژول
- ۰٫۰۲۲ وات‌ساعت
- در برابر انگلیسی
- ۴٫۱ برابر
- جواب‌های درست
- ۶۷٫۴٪
انرژی هر جواب = انرژی گردنشده‌ی هر توکن × تعداد توکن‌های خروجی ÷ ۹۰۰، از داده‌های منتشرشده‌ی نویسندگان. این همان جدول ۱ مقاله را بازتولید می‌کند (انگلیسی: ۱۷٬۵۸۸ ژول برای ۹۰۰ جواب). دقت، امتیاز «آسان‌گیر» مقاله است که جواب‌های بیرون‌کشیده از خروجیِ بدقالب را هم حساب می‌کند.
۲ · دو جریمه که در هم ضرب می‌شوند
توکن بیشتر، و هر توکن گران‌تر
این شکاف حاصل‌ضرب دو عامل است. زبان‌های کم‌منبع مدل را وادار می‌کنند توکن خیلی بیشتری بنویسد، و هر کدام از آن توکن‌ها هم انرژی بیشتری می‌برد. یک زبان انتخاب کن تا هر دو را ببینی.
- توکن در هر جواب
- ×۲۲
- انرژی هر توکن
- ×۸٫۰
- انرژی هر جواب
- ×۱۷۹
۲۲ برابر توکن × ۸٫۰ برابر انرژی هر توکن = ۱۷۹ برابر انرژی هر جواب
چهار زبان کم‌منبعِ زیرمجموعه‌ی مقاله ۲۰ تا ۲۵ برابر انگلیسی توکن خروجی تولید می‌کنند. همین به تنهایی گران است. اما هزینه‌ی هر توکن هم بالا می‌رود، تا ۸٫۳ برابر.
توضیح نویسندگان برای این‌که چرا این دو با هم می‌آیند: جواب‌های طولانی‌تر برای هر درخواست حافظه‌ی بیشتری از کارت گرافیک می‌گیرند، پس سرور می‌تواند درخواست‌های کمتری را همزمان اجرا کند، و کارت گرافیکِ کم‌کارتر برای هر توکن انرژی بیشتری می‌سوزاند. خودشان خواسته‌اند این با آزمایش‌های جداسازی سنجیده شود.
جریمه‌ی دوگانه
گران‌ترین زبان‌ها همان‌هایی‌اند که مدل در آن‌ها بدترین عملکرد را دارد. جواب‌های انگلیسی ۹۴٫۶٪ مواقع درست بودند، با کمترین انرژی؛ پنج زبانِ گران‌تر همه ۴۳٪ یا کمتر بودند و شانی ۱۰٫۶٪. نویسندگان تأکید می‌کنند این هم‌زمانی است، نه علت و معلول: هر دو از پوشش ضعیف توکنایزر و داده‌ی آموزشیِ کم می‌آیند.
۳ · هر ۱۲۲ زبان
یک مدل، ۱۲۲ قبض
هر نقطه یک زبان است. رویش بزن یا ماوس را نگه دار تا بخوانی‌اش.
انرژی هر جواب، مقیاس لگاریتمی
فارسی: ۰٫۱۴ ژول بر توکن، ۶۷٫۴٪ درست، ۸۰٫۸ ژول در هر جواب
انرژی بیشتر، دقت کمتر
انرژی هر توکن خروجی در برابر درصد جواب‌های درست
- پرمنبع
- کم‌منبع
فارسی: ۰٫۱۴ ژول بر توکن، ۶۷٫۴٪ درست، ۸۰٫۸ ژول در هر جواب
بیشتر زبان‌ها بین ۰٫۱۰ و ۰٫۲۰ ژول بر توکن جمع شده‌اند. دنباله‌ی بلندی از زبان‌های کم‌منبع با خط غیرلاتین، با تبتی، پشتو، تیگرینیایی، شانی و امهری در صدر، بالای ۰٫۴ نشسته‌اند.
خط سرنوشت نیست. چینیِ ساده‌شده با ۰٫۱۰ ژول بر توکن هم‌پای انگلیسی است، و عربی مصری، که کم‌منبع حساب می‌شود، از نظر انرژی هر جواب جزو پنج زبان ارزان است؛ نویسندگان این را به خطِ مشترک و خوب‌پوشش‌داده‌اش با عربی معیار نسبت می‌دهند.
۴ · فارسی کجاست
فارسی: ارزان‌تر از بیشتر زبان‌ها، حدود چهار برابر انگلیسی
در جدول مقاله، فارسی (غربی) زبانی پرمنبع است و در نیمه‌ی ارزان‌تر می‌نشیند. با این حال هر جواب حدود چهار برابر انگلیسی انرژی می‌برد، و مدل یک‌سوم جواب‌ها را غلط می‌دهد.
- ژول بر توکن خروجی (انگلیسی ۰٫۱۰)
- ۰٫۱۴
- توکن در هر جواب (انگلیسی ≈۱۸۶)
- ≈۵۶۳
- انرژی هر جواب در برابر انگلیسی
- ≈۴×
- جواب‌های درست (انگلیسی ۹۴٫۶٪)
- ۶۷٫۴٪
یک خط، قبض‌های بسیار متفاوت
همه‌ی زبان‌های خط عربی در جدول، انرژی هر جواب
فارسی: ۰٫۱۴ ژول بر توکن، ۶۷٫۴٪ درست، ۸۰٫۸ ژول در هر جواب
خط عربی به تنهایی بهانه نیست: عربی مصری، نجدی و معیار جزو ارزان‌ترین زبان‌های جدول‌اند، در حالی که پشتو، با همین خط، گران‌ترینِ هر ۱۲۲ زبان است. آن‌چه فرق می‌کند این است که مدل و توکنایزرش چقدر از هر زبان دیده‌اند.
برای فارسی‌زبان‌ها این دو معنا دارد. شکاف انرژی با انگلیسی واقعی اما متوسط است؛ هزینه‌ی بزرگ‌تر، شکاف دقت است. و این ویژگیِ مدل‌های امروز است، نه خود زبان.
تاجیکی، خویشاوند نزدیک فارسی که به خط سیریلیک نوشته می‌شود، کم‌منبع حساب شده و هر جوابش حدود ۲٫۷ برابر فارسی غربی انرژی می‌برد. آن ۵۸٫۰٪ امتیاز آسان‌گیر است: تقریباً همه‌ی جواب‌های تاجیکی قالب خواسته‌شده را رعایت نکردند.
۵ · ایراد یک مدل نیست
شکاف در مدل‌ها و کارهای مختلف هم می‌ماند
نویسندگان زیرمجموعه‌ی هشت‌زبانه را روی پنج مدل و سه نوع کار دوباره اجرا کردند. نسبت گران‌ترین به ارزان‌ترین زبان هیچ‌وقت زیر ۷ برابر نیامد.
۸٫۳ برابر: گران‌ترین ÷ ارزان‌ترین
- انگلیسی۰٫۱۰
- چینی ساده‌شده۰٫۱۰
- فرانسوی۰٫۱۱
- روسی۰٫۱۲
- پشتوی جنوبی۰٫۸۴
- تیگرینیایی۰٫۷۳
- شانی۰٫۷۰
- تبتی۰٫۸۵
مدل‌های بزرگ‌تر برای همه‌ی زبان‌ها هر توکن را گران‌تر تمام می‌کنند (انگلیسی از ۰٫۱۰ ژول در Qwen3-8B به ۰٫۵۱ ژول در Qwen3-32B می‌رسد)، اما شکاف با بزرگ شدن مدل کم نمی‌شود. دو گروه پرمنبع و کم‌منبع در هیچ مدلی روی هم نمی‌افتند.
۶ · چرا این اتفاق می‌افتد
چهار کاری که مدل در زبانِ کم‌پوشش می‌کند
مقاله جواب‌های واقعی را خوانده و چهار الگوی تکرارشونده پیدا کرده.
۴۵×
انفجار توکن
در تیگرینیایی، مدل یک جمله را ۴۵ بار تکرار کرد. برای شانی، پشتو، تبتی، تیگرینیایی، برمه‌ای و امهری تا حدود ۴٬۷۰۰ توکن برای هر سؤال نوشت و در یک حلقه گیر کرد.
۳٫۴×
پرگویی
در لتونیایی آن‌قدر فهمید که جواب بدهد، اما مفصل: ۸۹۶ توکن، ۳٫۴ برابر جواب انگلیسی، با هزینه‌ی تقریباً یکسان برای هر توکن.
۰٫۷۸
توکن زیاد برای هر حرف
متن تبتی به‌طور میانگین ۰٫۷۸ حرف در هر توکن داشت، در برابر ۴٫۸۴ برای انگلیسی: توکنایزر این خط را به تکه‌های ریز خرد می‌کند.
EN
عوض کردن زبان
برای خمری، مدل خیلی ساده به انگلیسی جواب داد.
هیچ‌کدام از این‌ها حکمی درباره‌ی خود این زبان‌ها نیست. این طرز برخورد مدل‌ها، توکنایزرها و داده‌های آموزشیِ امروز با آن‌هاست.
۷ · نوبت تو
جواب کدام گران‌تر است؟
هشت جفت از جدول کامل. حدس بزن کدام زبان برای هر جواب انرژی بیشتری می‌برد، بعد عددها را ببین.
هر جواب کدام گران‌تر است؟
۸ · پیشنهاد نویسندگان
هزینه را دیدنی کن، بعد کمش کن
مقاله با پیشنهادهای مشخص برای پژوهشگران، سازندگان مدل و شرکت‌هایی که مدل‌ها را ارائه می‌دهند تمام می‌شود.
- ۰۱
انرژی را گزارش کن، نه فقط دقت را
انرژی را به چک‌لیست NLP مسئولانه و به کارت مدل اضافه کن. دو سیستم با دقت یکسان و انرژی بسیار متفاوت هم‌ارز نیستند.
- ۰۲
برای هر زبان جدا گزارش کن
مدلی که در انگلیسی ارزان و درست است اما در تبتی گران و غلط، دو سیستم متفاوت برای دو جامعه است. یک ادعای «چندزبانه» هر دو را پنهان می‌کند.
- ۰۳
هر زبان را با شرایط خودش سرو کن
زبان را تشخیص بده و طول خروجی را محدود کن، زود متوقف کن، تکرار را جریمه کن؛ اندازه‌ی دسته را برای هر زبان تنظیم کن، نه برای میانگین.
- ۰۴
بر اساس زبان مسیریابی کن
بعضی پرسش‌ها را به مدل‌های کوچک‌تر و تخصصی بفرست، یا به انگلیسی ترجمه کن، جواب بده و برگردان؛ جز جایی که فرهنگ، اصطلاح یا لحن مهم است.
- ۰۵
آن را مسئله‌ی عدالت ببین
ممیزی عدالت هنگام انتشار مدل، قیمت‌گذاری شفاف برای هر زبان، یا یارانه‌ی پردازش برای زبان‌های کم‌برخوردار.
چه کسی می‌پردازد و به چه کسی خدمت می‌رسد
خود نویسندگان این خطر را گوشزد کرده‌اند: یک ارائه‌دهنده می‌تواند با این عددها زبان‌های گران را کنار بگذارد. جوابشان این است که اندازه نگرفتن این شکاف اجازه می‌دهد همین اتفاق بی‌صدا بیفتد. در این میان، برق و آب و کربن را همه می‌پردازند و بدترین خدمت به سخنگویان زبان‌های کم‌برخوردار می‌رسد.
با دقت بخوان
شش احتیاط
- مدل‌های باز، نه چت‌بات‌هایی که استفاده می‌کنیQwen، Gemma و Llama روی کارت‌های گرافیک NVIDIA L40S و RTX 6000 Pro. ChatGPT، Gemini و Claude اندازه‌گیری نشده‌اند.
- جدول ۱۲۲ زبانه یک چیدمان استQwen3-8B، یک L40S، اندازه‌ی دسته ۲۵۶، درک مطلب. ژول مطلق با سخت‌افزار عوض می‌شود؛ نویسندگان می‌گویند با تغییر سخت‌افزار باید دوباره سنجیده شود.
- پرامپت‌های ترجمه‌شدهبنچمارک‌ها ترجمه‌های استانداردند، نه متنی که آدم‌ها واقعاً می‌نویسند. نویسندگان این شکاف را حد پایین برای ورودی‌های واقعی و پرنویزتر می‌دانند.
- هم‌زمانی، نه علتانرژی بالا باعث دقت پایین نمی‌شود و برعکس؛ هر دو از پوشش توکنایزر و داده‌ی آموزشی می‌آیند.
- کل‌های مدل‌شده، دقت آسان‌گیرکل‌ها انرژی پایدار هر توکن × توکن‌های خروجی‌اند، نه خواندن کنتور کل اجرا. جدول ۵ مقاله انرژی هر توکن را اول گرد می‌کند و نسبت‌ها را بزرگ‌تر نشان می‌دهد؛ ما از داده‌ی گردنشده‌ی نویسندگان استفاده کرده‌ایم. دقت، امتیاز آسان‌گیر مقاله است.
- انرژی، نه قیمتاین پژوهش ژول روی کارت گرافیک را می‌سنجد. نمی‌گوید هیچ ارائه‌دهنده‌ای چقدر پول می‌گیرد.
منابع
- Deng, Shen, Feng, Nwatu, Chung, Chowdhury, Chen & Mihalcea (2026). The Language–Energy Divide: Measuring Energy Costs of Multilingual LLM Inference. EMNLP 2026, pp. 48057–48075 (PDF)
- ACL Anthology record for the paper
- Project page (University of Michigan LIT lab)
- Code: MichiganNLP/language-energy-divide (GitHub)
- Data: MichiganNLP/language-energy-divide (Hugging Face)
همه‌ی عددها از دنگ و همکاران (۲۰۲۶) و عیناً نقل شده‌اند؛ مقادیر هر زبان از داده‌های منتشرشده‌ی نویسندگان (GitHub، مجوز Apache-2.0) است و نسبت‌هایی که «حساب ما» نوشته شده، محاسبه روی همان داده‌اند. نمودارها از داده‌های منتشرشده‌ی مقاله دوباره رسم شده‌اند. چارچوب، بخش فارسی و هر خطایی از ماست، نه از نویسندگان.