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

> Como comparar modelos de IA por energia de forma justa: use referências como o AI Energy Score ou meça você mesmo na mesma tarefa, hardware e configuração.

Source: https://greenai.guide/pt/como/como-comparo-o-consumo-de-energia-de-diferentes-modelos-de-ia/  
Updated: 2026-11-19

## 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.

## Steps

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? {#is-there-a-ready-made-comparison}

**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? {#how-do-i-measure-models-myself}

- **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 {#common-mistakes}

- **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](/pt/boas-praticas/como-medir-a-energia-e-o-carbono-da-ia/), e para ler classificações,
veja [ler uma classificação do AI Energy Score](/pt/como/como-interpreto-uma-classificacao-do-ai-energy-score/).

## Fontes

- [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)
