# Wie vergleiche ich den Energieverbrauch verschiedener KI-Modelle?

> KI-Modelle fair nach Energie vergleichen: Benchmarks wie den AI Energy Score nutzen oder selbst messen, mit gleicher Aufgabe, Hardware und Einstellung.

Source: https://greenai.guide/de/wie/wie-vergleiche-ich-den-energieverbrauch-verschiedener-ki-modelle/  
Updated: 2026-11-19

## Kurz gesagt

Nutzen Sie einen Standard-Benchmark, wenn es einen für Ihre Aufgabe gibt, etwa den AI Energy Score von Hugging Face, und messen Sie die Kandidaten andernfalls selbst mit derselben Aufgabe, Hardware und denselben Einstellungen. Vergleichen Sie die Energie pro erfolgreich erledigter Aufgabe zusammen mit der Qualität, denn ein günstiges Modell, das scheitert, kostet am Ende mehr.

## Steps

1. Prüfen Sie, ob Ihre Kandidatenmodelle bereits eine AI-Energy-Score-Bewertung für Ihre Aufgabe haben.
2. Lassen Sie für Modelle ohne Bewertung denselben Benchmark auf derselben GPU mit denselben Einstellungen laufen.
3. Verwenden Sie einen festen Satz echter Prompts mit realistischen Ein- und Ausgabelängen.
4. Erfassen Sie für jedes Modell Energie pro Anfrage und Qualität, auf die gleiche Weise gemessen.
5. Vergleichen Sie die Kosten pro erfolgreich erledigter Aufgabe, einschließlich Wiederholungen.

**Vergleichen Sie Gleiches mit Gleichem: dieselbe Aufgabe, dieselbe Hardware, dieselben Einstellungen, dieselbe
Messung.** Veröffentlichte Zahlen verschiedener Anbieter beruhen auf unterschiedlichen Methoden und Systemgrenzen und
lassen sich daher selten fair vergleichen.

## Gibt es einen fertigen Vergleich? {#is-there-a-ready-made-comparison}

**Für viele offene Modelle ja.** Der AI Energy Score von Hugging Face misst die GPU-Energie pro 1.000 Anfragen für
zehn gängige Aufgaben und vergibt einen bis fünf Sterne im Verhältnis zu anderen Modellen für dieselbe Aufgabe. Er
bietet auch eine Möglichkeit, private Modelle mit derselben Methode zu bewerten. Fangen Sie dort an.

## Wie messe ich Modelle selbst? {#how-do-i-measure-models-myself}

- **Modelle, die Sie selbst betreiben:** Lassen Sie jeden Durchlauf mit einem Werkzeug wie CodeCarbon laufen, das die
  Energie aus der Leistungsaufnahme von Prozessor und Arbeitsspeicher schätzt.
- **Gehostete APIs:** Schätzen Sie anhand der Token-Zahlen mit einem Werkzeug wie EcoLogits, und kennzeichnen Sie das
  Ergebnis als Schätzung.
- **Halten Sie alles andere fest:** Prompts, Batch-Größe, Ein- und Ausgabelänge, Hardware und Region.
- **Wiederholen Sie Durchläufe** und geben Sie eine Spanne an, nicht eine einzelne Zahl.

Die Unterschiede können groß sein. Im Vergleich von Luccioni, Jernite und Strubell waren generative Mehrzweckmodelle
für dieselben Aufgaben um Größenordnungen teurer als aufgabenspezifische Systeme.

## Häufige Fehler {#common-mistakes}

- **Pro Aufruf statt pro Erfolg vergleichen.** Zählen Sie Wiederholungen und Fehlschläge mit.
- **Die Ausgabelänge ignorieren.** Ein Modell, das doppelt so viel schreibt, kann doppelt so viel kosten, egal wie
  groß es ist.
- **Geschätzte und gemessene Zahlen** in derselben Tabelle mischen, ohne es anzugeben.

Die vollständige Methode finden Sie unter [wie Sie KI-Energie messen](/de/gute-praxis/so-messen-sie-den-energieverbrauch-und-co2-fussabdruck-von-ki/), und zum Lesen
von Bewertungen siehe [eine AI-Energy-Score-Bewertung lesen](/de/wie/wie-lese-ich-eine-ai-energy-score-bewertung/).

## Quellen

- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [EcoLogits documentation](https://ecologits.ai/latest/), EcoLogits (2025)
