En resumen
Envuelva su script de entrenamiento en un medidor de emisiones como CodeCarbon, que estima la energía de su CPU, su GPU y su memoria y la convierte en carbono usando la red local. Cuente todas las ejecuciones, incluidos el ajuste y los fallos, registre el hardware, la ubicación y la duración, y publique el resultado con el modelo. Si no tiene registros, una calculadora como Green Algorithms puede estimarlo después.
Pasos
- Añada un medidor de emisiones al script de entrenamiento y deténgalo en un bloque finally para que siempre se cierre.
- Dé a cada ejecución un nombre de proyecto o experimento para poder comparar configuraciones.
- Registre el hardware, el tiempo de ejecución, la ubicación y la intensidad de carbono de la red usada.
- Cuente las ejecuciones de ajuste, las fallidas y las abandonadas además de la final.
- Ponga la energía y las emisiones junto a la precisión en su tabla de resultados.
- Publique la cifra en la tarjeta del modelo o en el artículo.
Mida mientras entrena, no después. Las cifras de entrenamiento registradas ejecución por ejecución le permiten comparar configuraciones por su energía además de por su precisión, y dan a compradores y colegas una cifra en la que pueden confiar.
¿Qué determina la huella?
Lacoste y sus colegas identificaron los factores principales en 2019: la ubicación del servidor y la red eléctrica que usa, la duración del entrenamiento y la marca y el modelo del hardware. El carbono es la energía multiplicada por la intensidad de carbono de la red en el lugar y el momento en que se ejecutó el trabajo.
¿Qué herramientas debo usar?
- CodeCarbon, un paquete de Python de código abierto, estima la energía a partir de la potencia del procesador, la GPU y la memoria, y la convierte con datos de la red local. Sus tutoriales muestran cómo registrar cada configuración y comparar la precisión con las emisiones, y ofrece orientación para clústeres cuyos nodos de cómputo no tienen acceso a internet.
- Green Algorithms, una calculadora de Lannelongue, Grealey e Inouye, estima la huella a partir del hardware, el tiempo de ejecución, la memoria y la ubicación, lo que resulta adecuado para trabajos que no registró.
- La Machine Learning CO2 Impact calculator de Lacoste y sus colegas hace una estimación similar a partir del hardware, las horas, el proveedor y la región.
¿Cómo lo publico?
Las tarjetas de modelo de Hugging Face tienen un campo co2_eq_emissions para las emisiones en gramos, la fuente de
la cifra, el tipo de entrenamiento (preentrenamiento o ajuste fino), la ubicación y el hardware usado. Rellénelo para
cada modelo que publique.
Errores frecuentes
- Informar solo de la ejecución final. Las búsquedas de hiperparámetros y las ejecuciones fallidas suelen ser la mayor parte del total.
- Usar un único promedio anual nacional cuando existen datos regionales por horas. Consulte encontrar la intensidad de carbono de la red.
- Dar una sola cifra sin método. Indique la herramienta, la versión y los límites.
El método completo está en cómo medir la energía de la IA.
Fuentes
- Comparing model efficiency with carbon tracking, CodeCarbon documentation (2025)
- Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- Quantifying the carbon emissions of machine learning, Lacoste, Luccioni, Schmidt and Dandres (2019)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
Relacionado
¿Cómo informo del consumo de energía de mi investigación en IA?
Qué incluir en un artículo sobre cómputo y energía: hardware, horas de GPU de todas las ejecuciones, energía, ubicación, carbono, coste de inferencia y límites usados.
¿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 reduzco la energía de entrenar un modelo?
Las palancas para reducir la energía del entrenamiento: partir de un preentrenado, ajustar el tamaño, precisión mixta, parada temprana, lugar y hora limpios.
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.