En resumen
Use una prueba de referencia estándar cuando exista una para su tarea, como el AI Energy Score de Hugging Face, y si no, mida usted mismo los candidatos con la misma tarea, el mismo hardware y los mismos ajustes. Compare la energía por tarea completada con éxito junto con la calidad, porque un modelo barato que falla acaba costando más.
Pasos
- Compruebe si sus modelos candidatos ya tienen una calificación del AI Energy Score para su tarea.
- Para los modelos que no la tengan, ejecute la misma prueba de referencia en cada uno, con la misma GPU y los mismos ajustes.
- Use un conjunto fijo de prompts reales con longitudes de entrada y salida realistas.
- Registre la energía por solicitud y la calidad de cada modelo, medidas de la misma forma.
- Compare el coste por tarea completada con éxito, incluidos los reintentos.
Compare lo comparable: misma tarea, mismo hardware, mismos ajustes, misma medición. Las cifras publicadas por distintos proveedores usan métodos y límites distintos, así que rara vez se pueden comparar con justicia.
¿Existe una comparación ya hecha?
Para muchos modelos abiertos, sí. El AI Energy Score de Hugging Face mide la energía de GPU por cada 1.000 consultas en diez tareas comunes y asigna de una a cinco estrellas en relación con otros modelos en la misma tarea. También ofrece una forma de evaluar modelos privados con el mismo método. Empiece por ahí.
¿Cómo mido los modelos yo mismo?
- Modelos que usted ejecuta: envuelva cada ejecución en una herramienta como CodeCarbon, que estima la energía a partir de la potencia del procesador y de la memoria.
- API alojadas: estime a partir del recuento de tokens con una herramienta como EcoLogits, y etiquete el resultado como estimación.
- Mantenga fijo todo lo demás: prompts, tamaño de lote, longitud de entrada y salida, hardware y región.
- Repita las ejecuciones e informe de un intervalo, no de una sola cifra.
Las diferencias pueden ser grandes. En la comparación de Luccioni, Jernite y Strubell, los modelos generativos multiuso resultaron órdenes de magnitud más caros que los sistemas específicos para las mismas tareas.
Errores frecuentes
- Comparar por llamada en lugar de por acierto. Cuente los reintentos y los fallos.
- Ignorar la longitud de la salida. Un modelo que escribe el doble puede costar el doble, sea cual sea su tamaño.
- Mezclar cifras estimadas y medidas en la misma tabla sin indicarlo.
Para el método completo, consulte cómo medir la energía de la IA, y para interpretar las calificaciones, interpretar una calificación del AI Energy Score.
Fuentes
- AI Energy Score, Hugging Face (2025)
- Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
- CodeCarbon, CodeCarbon (2026)
- EcoLogits documentation, EcoLogits (2025)
Relacionado
¿Cómo interpreto una calificación del AI Energy Score?
Qué significan las calificaciones de una a cinco estrellas del AI Energy Score, qué miden, cómo usarlas para comparar modelos y qué no le dicen.
¿Cómo mido la energía que usa la IA en mi propio ordenador o GPU?
Mida la energía de la IA local con contadores de hardware, telemetría de la GPU o un medidor de enchufe, muestree todo el trabajo y reste el consumo en reposo.
¿Cómo estimo la energía de mis llamadas a una API de IA?
No puede medir una API de IA alojada, pero sí estimar la energía por llamada a partir de los tokens y del modelo con EcoLogits, y registrarla junto al coste.
Cómo medir la energía y el carbono de la IA
Guía práctica para medir o estimar la energía y el carbono del trabajo con IA: herramientas, límites del sistema, métricas por tarea e incertidumbre honesta.