# मैं अलग-अलग AI मॉडलों की ऊर्जा खपत की तुलना कैसे करूँ?

> AI मॉडलों की ऊर्जा की निष्पक्ष तुलना कैसे करें: AI Energy Score जैसे benchmark इस्तेमाल करें, या उसी काम, हार्डवेयर और सेटिंग्स पर उन्हें खुद मापें।

Source: https://greenai.guide/hi/कैसे/मैं-अलग-अलग-ai-मॉडलों-की-ऊर्जा-खपत-की-तुलना-कैसे-करूँ/  
Updated: 2026-11-19

## संक्षेप में

जहाँ कोई मानक benchmark आपके काम को कवर करता हो, जैसे Hugging Face का AI Energy Score, वहाँ उसका इस्तेमाल करें, वरना विकल्पों को उसी काम, हार्डवेयर और सेटिंग्स पर खुद मापें। गुणवत्ता के साथ प्रति सफल काम ऊर्जा की तुलना करें, क्योंकि सस्ता मॉडल जो फ़ेल हो जाए, आख़िर में ज़्यादा महँगा पड़ता है।

## Steps

1. जाँचें कि क्या आपके विकल्प वाले मॉडलों के पास आपके काम के लिए पहले से AI Energy Score रेटिंग है।
2. जिन मॉडलों के पास नहीं है, उन सब पर वही benchmark, उसी GPU और सेटिंग्स पर चलाएँ।
3. यथार्थवादी इनपुट और आउटपुट लंबाई वाले असली prompts का एक तय सेट इस्तेमाल करें।
4. हर मॉडल के लिए प्रति अनुरोध ऊर्जा और गुणवत्ता दर्ज करें, एक ही तरीके से मापकर।
5. दोबारा कोशिशों समेत प्रति सफल काम लागत की तुलना करें।

**बराबरी की चीज़ों की तुलना करें: वही काम, वही हार्डवेयर, वही सेटिंग्स, वही माप।** अलग-अलग प्रोवाइडरों के प्रकाशित
आँकड़े अलग-अलग तरीके और सीमाएँ इस्तेमाल करते हैं, इसलिए उनकी तुलना शायद ही कभी निष्पक्ष होती है।

## क्या कोई तैयार तुलना मौजूद है? {#is-there-a-ready-made-comparison}

**कई open मॉडलों के लिए, हाँ।** Hugging Face का AI Energy Score दस आम कामों के लिए प्रति 1,000 सवाल GPU ऊर्जा मापता
है और उसी काम पर दूसरे मॉडलों की तुलना में एक से पाँच स्टार देता है। यह उसी तरीके से निजी मॉडलों को benchmark करने
का रास्ता भी देता है। वहीं से शुरू करें।

## मैं खुद मॉडलों को कैसे मापूँ? {#how-do-i-measure-models-myself}

- **जो मॉडल आप खुद चलाते हैं:** हर रन को CodeCarbon जैसे टूल में लपेटें, जो प्रोसेसर और मेमोरी की बिजली से ऊर्जा का
  अनुमान लगाता है।
- **होस्टेड API:** EcoLogits जैसे टूल से token गिनती के आधार पर अनुमान लगाएँ, और नतीजे पर "अनुमान" लिखें।
- **बाकी सब कुछ तय रखें:** prompts, batch साइज़, इनपुट और आउटपुट लंबाई, हार्डवेयर और क्षेत्र।
- **रन दोहराएँ** और एक संख्या नहीं, बल्कि एक दायरा (range) बताएँ।

फ़र्क बड़े हो सकते हैं। Luccioni, Jernite और Strubell की तुलना में, उन्हीं कामों के लिए बहु-उद्देश्यीय जनरेटिव मॉडल खास
काम के लिए बने सिस्टमों से कई गुना (orders of magnitude) महँगे थे।

## आम गलतियाँ {#common-mistakes}

- **प्रति सफलता के बजाय प्रति कॉल तुलना करना।** दोबारा कोशिशें और नाकामियाँ गिनें।
- **आउटपुट की लंबाई को अनदेखा करना।** जो मॉडल दोगुना लिखता है, उसकी लागत दोगुनी हो सकती है, उसका आकार चाहे जो हो।
- **एक ही तालिका में अनुमानित और मीटर किए गए आँकड़े मिलाना**, बिना यह बताए।

पूरे तरीके के लिए देखें [AI ऊर्जा कैसे मापें](/hi/अच्छी-प्रथाएँ/ai-की-ऊर्जा-और-कार्बन-कैसे-मापें/), और रेटिंग पढ़ने के लिए देखें
[AI Energy Score रेटिंग कैसे पढ़ें](/hi/कैसे/ai-energy-score-रेटिंग-को-कैसे-समझें/)।

## स्रोत

- [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)
