# Comment comparer la consommation d'énergie de différents modèles d'IA ?

> Comment comparer équitablement l'énergie des modèles d'IA : utiliser des benchmarks comme l'AI Energy Score, ou mesurer soi-même à tâche, matériel et réglages égaux.

Source: https://greenai.guide/fr/comment/comment-comparer-la-consommation-d-energie-de-differents-modeles-d-ia/  
Updated: 2026-11-19

## En bref

Utilisez un benchmark standard s'il en existe un pour votre tâche, comme l'AI Energy Score de Hugging Face, et sinon mesurez vous-même les candidats sur la même tâche, le même matériel et les mêmes réglages. Comparez l'énergie par tâche réussie en parallèle de la qualité, car un modèle peu coûteux qui échoue finit par coûter plus cher.

## Steps

1. Vérifiez si les modèles candidats ont déjà une note AI Energy Score pour votre tâche.
2. Pour les modèles qui n'en ont pas, exécutez le même benchmark sur chacun, avec le même GPU et les mêmes réglages.
3. Utilisez un ensemble fixe de prompts réels, avec des longueurs d'entrée et de sortie réalistes.
4. Notez l'énergie par requête et la qualité de chaque modèle, mesurées de la même façon.
5. Comparez le coût par tâche réussie, nouvelles tentatives comprises.

**Comparez des choses comparables : même tâche, même matériel, mêmes réglages, même mesure.** Les chiffres publiés
par différents fournisseurs utilisent des méthodes et des périmètres différents, et se comparent donc rarement de
manière équitable.

## Existe-t-il une comparaison toute faite ? {#is-there-a-ready-made-comparison}

**Pour de nombreux modèles ouverts, oui.** L'AI Energy Score de Hugging Face mesure l'énergie GPU pour
1 000 requêtes sur dix tâches courantes et attribue de une à cinq étoiles par rapport aux autres modèles sur la même
tâche. Il propose aussi un moyen d'évaluer des modèles privés avec la même méthode. Commencez par là.

## Comment mesurer les modèles moi-même ? {#how-do-i-measure-models-myself}

- **Les modèles que vous exécutez :** encadrez chaque exécution avec un outil comme CodeCarbon, qui estime l'énergie
  à partir de la puissance du processeur et de la mémoire.
- **Les API hébergées :** faites une estimation à partir du nombre de tokens avec un outil comme EcoLogits, et
  présentez le résultat comme une estimation.
- **Gardez tout le reste fixe :** prompts, taille de lot, longueur d'entrée et de sortie, matériel et région.
- **Répétez les exécutions** et indiquez une fourchette, pas un chiffre unique.

Les différences peuvent être importantes. Dans la comparaison de Luccioni, Jernite et Strubell, les modèles
génératifs polyvalents coûtaient des ordres de grandeur de plus que les systèmes spécialisés pour les mêmes tâches.

## Erreurs fréquentes {#common-mistakes}

- **Comparer par appel au lieu de par réussite.** Comptez les nouvelles tentatives et les échecs.
- **Ignorer la longueur de sortie.** Un modèle qui écrit deux fois plus peut coûter deux fois plus, quelle que soit
  sa taille.
- **Mélanger des chiffres estimés et mesurés** dans le même tableau sans le préciser.

Pour la méthode complète, consultez [comment mesurer l'énergie de l'IA](/fr/bonnes-pratiques/comment-mesurer-l-energie-et-le-carbone-de-l-ia/), et pour lire
les notes, consultez [lire une note AI Energy Score](/fr/comment/comment-lire-une-note-ai-energy-score/).

## Sources

- [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)
