同一份診斷,兩種送法
同一批 20 個網站、同一個模型,只差在「送什麼進去」。變好的與變差的都列在這裡。
送的是原始 HTML 前一萬多字元,多半是 <head>、樣式與程式碼,真正的內文常常沒送到。
先抽出網頁特徵摘要,兩支分析共用同一份。
送進大語言模型的輸入量
−49.6%兩支分析合計;平均每站 15,343 → 7,730
模型輸出量
+9.4%輸出量增加(20 個網站合計)
輸入+輸出合計
−43.7%20 個網站合計
模型費用
−28.6%20 個網站合計(美元)
平均延遲
變慢 3.6 秒變慢 3.6 秒;特徵摘要本身約 0.1 秒
模型用量的數字以模型服務商回報的輸入/輸出計量為準。
判斷品質有沒有變差?
逐站對照網頁真實內容,20 站裡判斷正確的站數:
原本送的是原始 HTML 前一萬多字元,多半是 <head>、樣式與程式碼,真正的內文常常沒送到。改成先抽出網頁特徵摘要,兩支分析共用同一份,模型讀到的是內文而不是程式碼。
同一套方法用在文字內容生成
同日實測:16 組輸入 × 2 個模型=32 對,其中 16 對有實際化簡。
- 有化簡的 16 對:主模型輸入 62,435 → 26,127(−58.2%);把前處理(約略集萃取)本身的用量算進去後,淨 −39.2%。
- 輸入+輸出合計(含前處理):Sonnet 5 −18%、GPT-6 Luna −29%。
- 使用者輸入的硬事實保留率 87.3% → 86.4%(持平)。
- 另外 16 對沒有化簡:14 對輸入太短、2 對化簡後沒有變小,都照原文送出,主模型輸入不變;但前處理本身仍有用量,這 16 對的輸入+輸出合計反而增加 +48.3%。
- 全部 32 對合計:主模型輸入 75,304 → 38,996(−48.2%);把前處理算進去後淨輸入 −11.3%,輸入+輸出合計 −3.7%。也就是說,這個方法在「輸入很長」時才划算,短輸入目前是淨增加。
怎麼做到的:三個步驟
不是換一個比較省的模型,而是在送進模型之前,先決定哪些內容值得送。
抓取受測網站的原始網頁:內文、標題,以及大量與判斷無關的樣式與程式碼。
平均每站輸入量 15,343
用約略集(Rough Set)約簡特徵、多準則決策(MCDM)挑出該送的段落,整理成一份網頁特徵摘要。
平均每站輸入量 7,730
兩支分析共用同一份特徵摘要,模型讀的是重點內文。
步驟 2 的方法來自中華民國新型專利 M683041「結合多準則決策之低碳電商推薦系統」。
換算成碳排估算
以下每一個碳排數字都是估算值:把上面的實測模型用量,乘上同一個估算係數。
| 換算基準 | 改前(估算) | 改後(估算) | 估算差異 |
|---|---|---|---|
| 每次診斷 | 2.05 g | 1.15 g | −0.89 g |
| 每 1,000 次 | 2,045 g | 1,151 g | −894 g |
| 每 100 萬次 | 2,045 kg | 1,151 kg | −894 kg |
每次診斷平均模型用量(輸入+輸出合計 ÷ 20 站): 17,043 → 9,590
估算碳排=實測模型用量 × 每單位用量 0.00012 gCO₂e。這個係數是平台內容生成功能既有的保守估算係數;改前、改後用同一個係數,所以減幅與用量減幅相同(−43.7%)。
大語言模型在第三方雲端執行,我們量不到它的實際用電。這個數字是「實測用量 × 公開級距的估算係數」,用來看相對差異,不是實測電力,也不是減碳保證。
模型用量的數字以模型服務商回報的輸入/輸出計量為準。
診斷報告的排序怎麼來
報告裡的「AI 搜尋推薦潛力分數」由決策引擎算出:先用約略集從標記樣本推導各準則權重,再用多準則決策(MCDM)加權,最後結合大語言模型實際讀取的結果。
- S結構化資料完整度Schema.org/JSON-LD 是否完整。
- L搜尋與效能搜尋最佳化與載入效能。
- E碳排等級網頁每次瀏覽的估算碳排,換成 A–F 等級。
- R語意豐富度內容夠不夠讓 AI 讀懂。
- C_llm大語言模型實際讀取結果模型實際讀取這個網站時,能抽取出多少資訊(抽取係數)。
- 網站分數(S・L・E・R 經約略集權重+多準則決策加權) × 60%
- 大語言模型實際讀取結果(C_llm) × 40%
在此之前 C_llm 是乘數,只會把分數往下拉;2026-10-03 起改為加權相加。
網頁碳排(每次瀏覽的 gCO₂e 與等級)在報告裡是獨立章節,同時作為 E 準則進入決策引擎。各準則的權重不是固定值,由約略集從標記樣本推導;依目前的標記樣本,語意豐富度與結構化資料的權重較高,碳排等級的權重低。排序是多準則綜合的結果,不是只看碳排。
我們自己的軟體碳強度(SCI)
依 ISO/IEC 21031:2024 方法計算之自我揭露:EcoGEO Audit 決策引擎每完成一次診斷決策的碳排放。
- 功能單位
- 1 次診斷決策=決策引擎完成 1 次約略集特徵約簡+1 次多準則決策運算。
- 量測
- 2026-08-21,AWS EC2 t3.xlarge(ap-east-2),台經院 GreenCalculatorJavaNoUI 1.0.4;暖機 200 次後,每輪 60 秒空載基準+1,000 次負載,共 20 輪。
SCI 量的是我們自己主機上決策引擎的運算;上一段的碳排估算,是送去第三方大語言模型的那一段。兩者邊界不同,不能相加,也不能直接比較大小。
限制與邊界
以下是這次實測沒有涵蓋、或結果變差的部分,全部列出。
- 樣本 20 個網站、單一模型(Claude Sonnet 5);正式機主力模型這次未納入實測。
- 輸出量增加 9.4%、平均延遲增加 3.6 秒。
- 短輸入沒有得省:文字生成的短輸入不化簡,前處理本身也有用量。
- 碳排為估算(見「換算成碳排」):實測用量 × 估算係數,不是實測電力,也不是減碳保證。
- 診斷改用特徵摘要後,分數會跟舊報告有系統性差異(讀得到內文之後分數多數上升),已在報告加註方法更新。
大鷗摩飛獲選參與數位發展部推動之綠色軟體自願性標章 POC 驗證,為本階段九家參與驗證業者之一。