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
- Verifique se os seus modelos candidatos já têm uma classificação do AI Energy Score para a sua tarefa.
- Para os modelos que não têm, execute a mesma referência em cada um, na mesma GPU e com as mesmas configurações.
- Use um conjunto fixo de prompts reais com comprimentos realistas de entrada e de saída.
- Registre a energia por pedido e a qualidade de cada modelo, medidas da mesma forma.
- 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
- 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)
Relacionados
Como interpreto uma classificação do AI Energy Score?
O que significam as classificações de uma a cinco estrelas do AI Energy Score, o que medem, como usá-las para comparar modelos e o que elas não dizem.
Como meço a energia que a IA usa no meu próprio computador ou GPU?
Meça a energia da IA local com contadores de hardware, telemetria da GPU ou um medidor de tomada, amostre o trabalho todo e subtraia a base em repouso.
Como estimo a energia das minhas chamadas de API de IA?
Não dá para medir uma API de IA hospedada, mas você pode estimar a energia por chamada a partir dos tokens com o EcoLogits e registrá-la junto ao custo.
Como medir a energia e o carbono da IA
Um guia prático para medir ou estimar a energia e o carbono do trabalho com IA: ferramentas, limites do sistema, métricas por tarefa e incerteza honesta.