Modèle de raisonnement ou modèle standard : de combien la facture augmente-t-elle ?
À prompt identique, un modèle de raisonnement consomme de 2 à 6,9 fois plus d'électricité qu'un modèle standard du même éditeur. C'est ce que donne la Table 4 de l'étude « How Hungry is AI? » (Jegham et al., arXiv 2505.09598, version du 24 novembre 2025) pour DeepSeek-V3 et DeepSeek-R1, sur le même hébergeur. Sur un prompt long, R1 consomme 29,08 Wh contre 13,16 Wh pour V3 chez DeepSeek. Le « 65 fois plus » de la même étude compare autre chose : un modèle de raisonnement à un petit modèle de 8 milliards de paramètres.
Le raisonnement multiplie la consommation par 2 à 6,9 selon la taille du prompt, pas par 65. L'écart est le plus fort sur un prompt court (6,9 fois chez DeepSeek) et le plus faible sur un prompt long (2,2 fois). L'hébergeur pèse davantage que le mode : sur un prompt long, le même R1 consomme 3,9 fois plus chez DeepSeek que sur Azure.
Chiffres mis à jour le 7 octobre 2026
| Hébergeur | Prompt | DeepSeek-V3 | DeepSeek-R1 | R1 ÷ V3 |
|---|---|---|---|---|
| DeepSeek | Court (100 jetons en entrée, 300 en sortie) | 2,78 Wh | 19,25 Wh | 6,9 × |
| DeepSeek | Moyen (1 000 et 1 000) | 8,86 Wh | 24,60 Wh | 2,8 × |
| DeepSeek | Long (10 000 et 1 500) | 13,16 Wh | 29,08 Wh | 2,2 × |
| Microsoft Azure | Court (100 jetons en entrée, 300 en sortie) | 0,74 Wh | 2,35 Wh | 3,2 × |
| Microsoft Azure | Moyen (1 000 et 1 000) | 2,17 Wh | 4,33 Wh | 2,0 × |
| Microsoft Azure | Long (10 000 et 1 500) | 3,70 Wh | 7,41 Wh | 2,0 × |
Source : Table 4 de Jegham et al., arXiv 2505.09598 (version 6, 24 novembre 2025). Les énergies sont celles de la table. La colonne « R1 ÷ V3 » est calculée par ce site : l'étude ne publie pas ces rapports. Ce sont des estimations modélisées, pas des mesures sur les serveurs.
De combien le raisonnement augmente-t-il la consommation, à prompt identique ?
De 2 à 6,9 fois, selon la taille du prompt et l'hébergeur. Chez DeepSeek, sur un prompt court (100 jetons en entrée, 300 en sortie), R1 consomme 19,25 Wh contre 2,78 Wh pour V3 : 6,9 fois. Sur un prompt moyen, 2,8 fois. Sur un prompt long, 2,2 fois. Chez Azure, les rapports sont de 3,2, 2,0 et 2,0. La paire DeepSeek est la seule de la table qui isole le raisonnement : deux modèles du même éditeur, au même endroit, sur les mêmes prompts. Les autres modèles de raisonnement de l'étude (o1, o3, o4-mini) n'ont pas de jumeau standard. Les comparer à un autre modèle mélangerait l'effet du raisonnement et celui de la taille.
Pourquoi ce n'est pas le « 65 fois » de l'étude ?
Parce que ce 65 compare deux choses différentes. L'étude écrit que DeepSeek-R1 chez DeepSeek consomme 29 Wh sur un prompt long, environ 65 fois le modèle le plus économe testé, LLaMA-3.1-8B (0,443 Wh). Ce modèle compte 8 milliards de paramètres : l'écart additionne la taille du modèle, l'hébergeur et le raisonnement. Isolé, le raisonnement pèse 2,2 fois sur ce même prompt. La première version de l'étude (14 mai 2025) annonçait plus de 33 Wh et plus de 70 fois GPT-4.1 nano. La version 6 (24 novembre 2025) a corrigé ces valeurs.
Pourquoi l'écart se réduit-il quand le prompt s'allonge ?
L'étude ne l'explique pas. Les chiffres, eux, sont nets. Chez DeepSeek, V3 passe de 2,78 à 13,16 Wh quand le prompt s'allonge, soit 4,7 fois plus. R1 passe de 19,25 à 29,08 Wh, soit 1,5 fois plus. Le rapport entre les deux tombe donc de 6,9 à 2,2. Une lecture possible : un long prompt pèse lourd pour les deux modèles, et la réflexion supplémentaire de R1 change moins la proportion. C'est une hypothèse, pas un résultat de l'étude. Retenez surtout le sens de l'écart : le surcoût du raisonnement est le plus élevé sur les requêtes courtes.
L'hébergeur compte-t-il plus que le mode de raisonnement ?
Sur un prompt long, oui. Le même R1 consomme 29,08 Wh chez DeepSeek et 7,41 Wh sur Microsoft Azure : 3,9 fois plus. Le même V3, 13,16 Wh contre 3,70 Wh : 3,6 fois plus. Le raisonnement, lui, ajoute 2,2 fois chez DeepSeek et 2,0 fois sur Azure. Les auteurs de l'étude écrivent que le matériel et l'efficacité des centres de données, pas seulement la conception du modèle, déterminent la consommation réelle. Choisir où tourne un modèle change donc davantage la facture que choisir son mode.
Sources
Questions fréquentes
Combien un modèle de raisonnement consomme-t-il de plus qu'un modèle standard ?+
De 2 à 6,9 fois plus à prompt identique, d'après la Table 4 de l'étude « How Hungry is AI? » (version 6, 24 novembre 2025) pour DeepSeek-R1 et DeepSeek-V3. Sur un prompt long chez DeepSeek : 29,08 Wh contre 13,16 Wh.
Pourquoi ce site retient-il ailleurs 20 Wh pour le raisonnement contre 0,3 Wh pour un prompt texte ?+
Parce que ce rapport, environ 67 fois, compare une requête de raisonnement à un prompt texte moyen, pas à un modèle standard sur le même prompt. Il sert à calculer le seuil de bascule d'un service entier, sur la page « Le seuil de bascule du raisonnement ». Les deux chiffres ne répondent pas à la même question. La table de l'étude place, sur un prompt long, o3 à 12,22 Wh, R1 à 29,08 Wh chez DeepSeek et à 7,41 Wh sur Azure : les 20 Wh du site sont un choix au milieu de cette dispersion.
Ces chiffres valent-ils pour ChatGPT, Claude ou Gemini ?+
Non. La paire testée est DeepSeek, et l'étude estime la consommation sans accès aux serveurs, à partir de performances d'API publiques et d'un matériel supposé. Ce sont des ordres de grandeur pour des modèles précis à une date précise, pas une règle valable pour tous les assistants.
Ces rapports figurent-ils dans l'étude ?+
Non. La Table 4 donne l'énergie moyenne en Wh par modèle et par taille de prompt, avec un écart type. Les rapports de cette page sont une division faite par ce site sur ces moyennes. L'écart type est élevé pour R1 chez DeepSeek (± 9,4 Wh sur le prompt court) : un rapport de 6,9 est un ordre de grandeur, pas une valeur exacte.
Un modèle de raisonnement coûte de 2 à 7 fois plus qu'un modèle standard à prompt identique. Savoir si la question mérite cette dépense est un arbitrage d'usage, pas de calcul. Le studio GHIS aide à cadrer cet arbitrage avant de déployer un assistant.