greenai.guide

Início › Como faço para…? › Como comparo o consumo de energia de diferentes modelos de IA?

Como faço para…?

Como comparo o consumo de energia de diferentes modelos de IA?

Atualizado · 1 min de leitura

Em resumo

Use uma referência padrão quando houver uma para a sua tarefa, como o AI Energy Score do Hugging Face, e, caso contrário, meça você mesmo os candidatos na mesma tarefa, hardware e configuração. Compare a energia por tarefa concluída com sucesso junto com a qualidade, porque um modelo barato que falha acaba custando mais.

Passos

  1. Verifique se os seus modelos candidatos já têm uma classificação do AI Energy Score para a sua tarefa.
  2. Para os modelos que não têm, execute a mesma referência em cada um, na mesma GPU e com as mesmas configurações.
  3. Use um conjunto fixo de prompts reais com comprimentos realistas de entrada e de saída.
  4. Registre a energia por pedido e a qualidade de cada modelo, medidas da mesma forma.
  5. Compare o custo por tarefa concluída com sucesso, incluindo as novas tentativas.

Compare o que é comparável: mesma tarefa, mesmo hardware, mesmas configurações, mesma medição. Os números publicados por provedores diferentes usam métodos e limites diferentes, por isso raramente permitem uma comparação justa.

Existe uma comparação pronta?

Para muitos modelos abertos, sim. O AI Energy Score do Hugging Face mede a energia da GPU por 1.000 consultas em dez tarefas comuns e atribui de uma a cinco estrelas em relação a outros modelos na mesma tarefa. Ele também oferece uma forma de testar modelos privados com o mesmo método. Comece por aí.

Como meço os modelos eu mesmo?

  • Modelos que você executa: envolva cada execução numa ferramenta como o CodeCarbon, que estima a energia a partir da potência do processador e da memória.
  • APIs hospedadas: estime a partir das contagens de tokens com uma ferramenta como o EcoLogits, e identifique o resultado como uma estimativa.
  • Mantenha todo o resto fixo: prompts, tamanho do lote, comprimento da entrada e da saída, hardware e região.
  • Repita as execuções e informe uma faixa de valores, não um único número.

As diferenças podem ser grandes. Na comparação de Luccioni, Jernite e Strubell, os modelos generativos multiuso foram ordens de grandeza mais caros do que os sistemas específicos para as mesmas tarefas.

Erros comuns

  • Comparar por chamada em vez de por sucesso. Conte as novas tentativas e as falhas.
  • Ignorar o comprimento da saída. Um modelo que escreve o dobro pode custar o dobro, seja qual for o seu tamanho.
  • Misturar números estimados e medidos na mesma tabela sem dizer.

Para o método completo, veja como medir a energia da IA, e para ler classificações, veja ler uma classificação do AI Energy Score.

Fontes

  1. AI Energy Score, Hugging Face (2025)
  2. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
  3. CodeCarbon, CodeCarbon (2026)
  4. EcoLogits documentation, EcoLogits (2025)

Junte-se a nós

Ajude a reduzir o impacto da IA no planeta

Receba novos guias, editais de financiamento e listagens dos diretórios por e-mail, cerca de uma vez por mês. Ou adicione seu produto, curso, doutorado ou pesquisa aos diretórios.

Sem rastreamento. Cancele a inscrição com um clique. Outras formas de participar · Privacidade