关于电池寿命和能效，端侧 AI 与云端 AI 看似都合理，但这并非经过测量的声明。在决定 AI 部署位置时，需考虑四个独立的预算项：用户等待时间、网络传输成本、提供商支出以及设备能耗。每一项都需要其特定的测量与证据支持。必须明确识别执行路径，以便进行准确对比。例如，经评测的 MonkeyCode 移动代码采用服务器支持的流式处理来处理任务和语音转文本，这表明其为云端推理，而非端侧。一项公平的对比研究应将使用远程服务的移动客户端与一个独立展示端侧能力的原型进行对比。全面的测量范围应包含如下字段：样本 ID、类型、部署位置、设备、操作系统、框架、模型、网络类型、令牌数量、延迟、字节级数据传输量、焦耳级能耗以及美元级成本。这些细节对于解读结果、理解工作负载规模及网络行为至关重要。由于存在诸多外部影响因素，电池百分比作为短时段运行的指标是不充分的。对比必须基于匹配的用户流程，确保在不同部署位置下测试相同的任务。这包括短提示、语音轮次、离线场景、后台/恢复行为以及热循环。预热期应单独报告，测试过程需随机化、重复执行，并记录失败情况。分析器应通过要求每个数据点提供实测焦耳值，来防止得出错误的能耗结论。合成数据虽可用于测试解析，但不能代表实际性能。在真实流水线中，数据溯源应足够可靠，包括性能分析器导出和原始文件保留。发布决策应明确，基于是否达成 P95 交互延迟、网络字节数、提供商支出、能耗与热行为、隐私及质量等目标。端侧 AI 会引入下载体积和内存压力，而云端 AI 则依赖网络连接与服务可用性。使用清晰的单位可确保对这些权衡进行诚实评估。