虽然我没有看到它的文档，但nbytes看起来确实像是shape和itemsize的乘积，或者arr.size*arr.itemsize。
在所有的例子中，我都看到nbytes使用了shape/size数组，而不是base，所以我不会过多地阅读文档中使用的“consumed”。
您的示例：

In [117]: arr = np.broadcast_to(0,(1,2,3))
In [119]: arr.shape, arr.strides, arr.nbytes
Out[119]: ((1, 2, 3), (0, 0, 0), 24)
In [120]: arr.base
Out[120]: array(0)
In [121]: arr.base.nbytes
Out[121]: 4

广播数组是一个小得多的数组的view; nbytes反映其自身的形状，而不是基底的形状。
再举一个例子，其中view是基的子集：

In [122]: np.arange(100).nbytes
Out[122]: 400
In [123]: np.arange(100)[::4].nbytes
Out[123]: 100

broadcast_to的代码可以在np.lib.stride_tricks._broadcast_to中查看，它使用np.nditer生成新视图。
sys.getsizeof可以合理地返回数组的内存使用情况及其on数据（即base是None）。它不提供任何有关view的有用信息。

滑动窗口

另一个用于创建“更大”数组的跨步技巧示例：

In [180]: arr = np.arange(16).reshape(4,4).copy()
In [181]: arr.shape, arr.strides, arr.nbytes
Out[181]: ((4, 4), (16, 4), 64)

In [182]: res = np.lib.stride_tricks.sliding_window_view(arr,(2,2))    
In [183]: res.shape, res.strides, res.nbytes
Out[183]: ((3, 3, 2, 2), (16, 4, 16, 4), 144)

它是原始的（4，4）arr的view：

In [184]: res.base
Out[184]: <numpy.lib.stride_tricks.DummyArray at 0x1fa8e7cc730>
In [185]: res.base.base
Out[185]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])
In [186]: res.base.base is arr
Out[186]: True