Ce graphique représente pour chaque modèle le score de satisfaction (score Bradley Terry) en fonction de l’estimation de la consommation énergétique moyenne pour 1000 tokens. La consommation énergétique est estimée à partir de la méthodologie Ecologits et repose sur la prise en compte de deux paramètres: la taille des modèles (nombre de paramètres) et leur architecture. Pour les modèles propriétaires, ces informations ne sont pas ou que partiellement communiquées. C’est pourquoi ils sont exclus du graphique ci-dessous.

Score de satisfaction Bradley-Terry (BT) VS Consommation moyenne pour 1000 tokens

Sélectionnez un modèle pour connaitre son score Bradley-Terry (BT) et sa consommation énergétique

Score Bradley-Terry (BT)

Consommation moyenne pour 1000 tokens (Wh)

Comment trouver le bon équilibre entre performance perçue et sobriété énergétique ? Exemples de lecture du graphique

• Plus un modèle est situé en haut du graphique, plus son score de satisfaction Bradley-Terry est élevé. Plus un modèle est situé sur la gauche du graphique, moins il consomme d’énergie par rapport aux autres modèles.
• En haut à gauche se trouvent les modèles qui plaisent et qui consomment peu d’énergie par rapport aux autres modèles.
• Au-delà de la taille, l’architecture a un impact sur la consommation énergétique moyenne des modèles: par exemple, à gabarit similaire, le modèle Llama 3 405B (architecture dense, 405 milliards de paramètres) consomme 10 fois plus d’énergie en moyenne que le modèle GLM 4.5 (architecture MOE, 355 milliards de paramètres et 32 milliards de paramètres actifs).

Pourquoi les modèles propriétaires ne sont-ils pas affichés sur le graphique ?

L’estimation de la consommation énergétique pour l’inférence des modèles repose sur la méthodologie Ecologits qui prend en compte la taille et l’architecture des modèles. Or ces informations ne sont pas rendues publiques par les éditeurs de modèles pour les modèles dits « propriétaires ».

Nous prenons ainsi le parti de ne pas intégrer les modèles propriétaires au graphique tant que les informations contribuant au calcul de consommation énergétique ne sont pas transparentes.

Pourquoi les modèles propriétaires ne sont-ils pas affichés sur le graphique ?

compar:IA utilise la méthodologie développée par Ecologits (GenAI Impact) pour fournir une estimation du bilan énergétique lié à l’inférence des modèles d’IA générative conversationnelle. Cette estimation permet aux utilisateurs de comparer l’impact environnemental de différents modèles d’IA pour une même requête. Cette transparence est essentielle pour encourager le développement et l’adoption de modèles d’IA plus éco-responsables.

Ecologits applique les principes de l’analyse du cycle de vie (ACV) conformément à la norme ISO 14044 en se concentrant pour le moment sur l’impact de l’inférence (c’est-à-dire l’utilisation des modèles pour répondre aux requêtes) et de la fabrication des cartes graphiques (extraction des ressources, fabrication et transport).

La consommation électrique du modèle est estimée en tenant compte de divers paramètres tels que la taille et l’architecture du modèle d’IA utilisé, la localisation des serveurs où sont déployés les modèles et le nombre de tokens de sortie. Le calcul de l’indicateur de potentiel de réchauffement climatique exprimé en équivalent CO2 est dérivé de la mesure de consommation électrique du modèle.

Il est important de noter que les méthodologies d’évaluation de l’impact environnemental de l’IA sont encore en développement.

Données du graphique en tableau

Modèle	Score de satisfaction BT Infobulle Score statistique estimé selon le modèle Bradley-Terry reflétant la probabilité qu’un modèle soit préféré à un autre. Ce score est calculé à partir de l’ensemble des votes et réactions des utilisateurs. Pour en savoir plus, rendez-vous sur l’onglet méthodologie.	Conso. moyenne (1000 tokens) Infobulle Mesurée en wattheures, l’énergie consommée représente l’électricité utilisée par le modèle pour traiter une requête et générer la réponse correspondante. La consommation énergétique des modèles dépend de leur taille et de leur architecture. Nous prenons le parti d’afficher en grisé non analysés (N/A) les modèles propriétaires pour lesquels nous ne disposons pas d’information transparente sur la taille et l’architecture.	Taille (paramètres) Infobulle Taille du modèle en milliards de paramètres, catégorisée selon cinq classes. Pour les modèles propriétaires, cette taille n’est pas communiquée.	Architecture Infobulle L’architecture d’un modèle LLM désigne les principes de conception qui définissent comment les composants d’un réseau de neurones sont agencés et interagissent pour transformer les données d’entrée en sorties prédictives, incluant le mode d’activation des paramètres (dense vs. sparse), la spécialisation des composants et les mécanismes de traitement de l’information (transformers, réseaux convolutifs, architectures hybrides).	Organisation	Licence
gpt-oss-120b	1095	3 Wh	L - 117 Mds	MoE	OpenAI	Semi-ouvert
gemma-3-4b	1047	3 Wh	XS - 4 Mds	Dense	Google	Semi-ouvert
gpt-oss-20b	1034	3 Wh	S - 21 Mds	MoE	OpenAI	Semi-ouvert
gemma-3n-e4b-it	1024	3 Wh	XS - 8 Mds	Matformer	Google	Semi-ouvert
qwen3-30b-a3b	994	3 Wh	S - 30 Mds	MoE	Alibaba	Semi-ouvert
phi-3.5-mini-instruct	865	3 Wh	XS - 3.8 Mds	Dense	Microsoft	Semi-ouvert
gemma-3-12b	1077	4 Wh	XS - 12 Mds	Dense	Google	Semi-ouvert
aya-expanse-8b	978	4 Wh	XS - 8 Mds	Dense	Cohere	Semi-ouvert
gemma-2-9b-it	957	4 Wh	XS - 9 Mds	Dense	Google	Semi-ouvert
llama-3.1-8b	931	4 Wh	XS - 8 Mds	Dense	Meta	Semi-ouvert
qwen2.5-7b-instruct	930	4 Wh	XS - 7 Mds	Dense	Alibaba	Semi-ouvert
mistral-nemo-2407	856	4 Wh	XS - 12 Mds	Dense	Mistral AI	Semi-ouvert
chocolatine-2-14b-instruct-v2.0.3-q8	823	4 Wh	XS - 14 Mds	Dense	jpacifico	Semi-ouvert
Yi-1.5-9B-Chat	771	4 Wh	XS - 9 Mds	Dense	01-ai	Semi-ouvert
qwen2-7b-instruct	733	4 Wh	XS - 7 Mds	Dense	Alibaba	Semi-ouvert
llama-4-scout	1020	5 Wh	L - 109 Mds	MoE	Meta	Semi-ouvert
phi-4	971	5 Wh	XS - 14 Mds	Dense	Microsoft	Semi-ouvert
mixtral-8x7b-instruct-v0.1	888	5 Wh	S - 56 Mds	MoE	Mistral AI	Semi-ouvert
chocolatine-14b-instruct-dpo-v1.2-q4	754	5 Wh	XS - 14 Mds	Dense	jpacifico	Semi-ouvert
gemma-3-27b	1097	6 Wh	S - 27 Mds	Dense	Google	Semi-ouvert
mistral-small-2506	1074	6 Wh	S - 24 Mds	Dense	Mistral AI	Semi-ouvert
magistral-small-2506	1060	6 Wh	S - 24 Mds	Dense	Mistral AI	Semi-ouvert
mistral-small-3.1-24b	1012	6 Wh	S - 24 Mds	Dense	Mistral AI	Semi-ouvert
gemma-2-27b-it-q8	1006	6 Wh	S - 27 Mds	Dense	Google	Semi-ouvert
mistral-small-24b-instruct-2501	991	6 Wh	S - 24 Mds	Dense	Mistral AI	Semi-ouvert
qwen3-32b	1047	7 Wh	S - 32 Mds	Dense	Alibaba	Semi-ouvert
aya-expanse-32b	996	7 Wh	S - 32 Mds	Dense	Cohere	Semi-ouvert
qwq-32b	956	7 Wh	S - 32 Mds	Dense	Alibaba	Semi-ouvert
llama-3.1-nemotron-70b-instruct	1050	12 Wh	M - 70 Mds	Dense	Nvidia	Semi-ouvert
llama-3.3-70b	987	12 Wh	M - 70 Mds	Dense	Meta	Semi-ouvert
llama-3.1-70b	977	12 Wh	M - 70 Mds	Dense	Meta	Semi-ouvert
deepseek-r1-distill-llama-70b	957	12 Wh	M - 70 Mds	Dense	DeepSeek	Semi-ouvert
hermes-4-70b	915	12 Wh	M - 70 Mds	Dense	Nous	Semi-ouvert
llama-maverick	1017	15 Wh	XL - 400 Mds	MoE	Meta	Semi-ouvert
command-a	1065	18 Wh	L - 111 Mds	Dense	Cohere	Semi-ouvert
mixtral-8x22b-instruct-v0.1	846	18 Wh	L - 176 Mds	MoE	Mistral AI	Semi-ouvert
deepseek-v3-0324	1099	47 Wh	XL - 685 Mds	MoE	DeepSeek	Semi-ouvert
deepseek-chat-v3.1	1091	47 Wh	XL - 685 Mds	MoE	DeepSeek	Semi-ouvert
deepseek-v3-chat	1085	47 Wh	XL - 671 Mds	MoE	DeepSeek	Semi-ouvert
deepseek-r1	1034	47 Wh	XL - 671 Mds	MoE	DeepSeek	Semi-ouvert
llama-3.1-405b	962	238 Wh	XL - 405 Mds	Dense	Meta	Semi-ouvert