Puis-je faire tourner une IA locale sur mon PC ?

Vous pouvez exécuter une IA en local lorsque les poids du modèle, le cache KV du contexte et le surcoût du moteur tiennent dans la VRAM réellement disponible, la mémoire unifiée d’un Mac ou une combinaison viable de mémoire de l’accélérateur et de RAM système. Utilisez le test ci-dessus pour comparer ces besoins à votre matériel.

De combien de VRAM ai-je besoin pour faire tourner un LLM en local ?

Il n’existe pas une exigence unique en VRAM pour tous les LLM locaux. Le nombre de paramètres, l’architecture, la quantification, la longueur du contexte, le cache KV et le surcoût du moteur comptent tous. Le calculateur estime ces éléments ensemble et indique si le modèle fonctionne aisément, de justesse, avec déchargement ou pas du tout.

Mon ordinateur portable peut-il exécuter un modèle d’IA locale ?

De nombreux portables peuvent exécuter des modèles d’IA locale plus petits ou davantage quantifiés, mais le bon choix dépend de la VRAM du GPU ou de la mémoire partagée, de la RAM système et de la bande passante. Sélectionnez le GPU portable le plus proche ou saisissez vos propres valeurs pour obtenir une estimation pertinente.

Puis-je faire tourner un LLM local sur un Mac ?

Les Mac Apple Silicon peuvent utiliser leur mémoire unifiée pour l’inférence d’un LLM local. Sélectionnez votre puce Mac et la quantité de mémoire afin que le test tienne compte de la mémoire réellement disponible, de la bande passante, des poids, du contexte et du surcoût du moteur.

Que signifient Q4, Q5, Q8, BF16, FP8 et NVFP4 ?

Ces valeurs décrivent la manière dont les poids du modèle sont stockés. Une quantification avec moins de bits réduit généralement l’utilisation de mémoire et peut améliorer la vitesse, au prix d’un compromis sur la qualité. BF16 conserve la précision d’origine, tandis que FP8 et NVFP4 exigent un matériel NVIDIA compatible et un artefact de modèle correspondant.

Le test de compatibilité envoie-t-il les données de mon GPU ?

La détection automatique du matériel s’effectue dans votre navigateur et les données brutes de l’adaptateur GPU ne sont pas envoyées pour cette détection. Si le profil détecté semble incorrect, choisissez un profil prédéfini ou saisissez vos propres valeurs de mémoire et de bande passante.

Test gratuit de compatibilité avec les LLM locaux

Puis-je faire tourner une IA locale ou un LLM local sur mon PC ?

Faites tourner un LLM en local sans avancer à l’aveugle. Comparez les modèles d’IA locale populaires à votre matériel, puis vérifiez la VRAM, la mémoire, la quantification, la taille du contexte et la vitesse estimée avant tout téléchargement.

Utilisation gratuite, sans logiciel à installer. La détection du matériel s’effectue dans votre navigateur et les données brutes de votre GPU ne sont pas envoyées.

Votre matériel

Détection du matériel…

Mémoire unifiée48 GBRAM système48 GBBande passante273 GB/s

Quantification / précision

Contexte

31À l’aise

0Limite

3Déchargement

5Incompatible

39 modèles évalués

Quel LLM local puis-je faire tourner sur ce matériel ?

Recherchez des modèles d’IA locale pour le chat, le code, le raisonnement ou la vision. Comparez leur compatibilité, leur mémoire et leur vitesse estimées, leur moteur d’exécution et les sources de chaque résultat.

Rechercher

Usage

Compatibilité

Fournisseur

Trier par

Le classement Arena s’affiche pour 20 modèles associés avec certitude ; les autres restent non classés plutôt que d’être rapprochés au hasard.

Arena · CC BY 4.0 · 2026-07-10

Fonctionne aisémentAlibaba

Qwen3.5 9B

Chat · Raisonnement · Code · Vision · Apache-2.0

Paramètres 9B

Mémoire estimée 6,9 GBQ4_K_M

Vitesse estimée 24–36 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentAlibabaMoE

Qwen3 30B-A3B

Chat · Raisonnement · Code · Apache-2.0

Paramètres 31B3,3B actifs

Mémoire estimée 20 GBQ4_K_M

Vitesse estimée 65–98 tok/sMLX

Rang open source sur Arena #821317 · 26 474 votes

Fonctionne aisémentAlibabaMoE

Qwen3.5 35B-A3B

Chat · Raisonnement · Code · Vision · Apache-2.0

Paramètres 35B3B actifs

Mémoire estimée 23 GBQ4_K_M

Vitesse estimée 72–108 tok/sMLX

Rang open source sur Arena #451396 · 29 184 votes

Fonctionne aisémentMeta

Llama 3.1 8B Instruct

Chat · Code · Llama 3.1 Community

Paramètres 8B

Mémoire estimée 6,3 GBQ4_K_M

Vitesse estimée 27–40 tok/sMLX

Rang open source sur Arena #1301187 · 49 605 votes

Fonctionne aisémentOpenAIMoE

GPT-OSS 20B

Chat · Code · Raisonnement · Apache-2.0

Paramètres 21B3,6B actifs

Mémoire estimée 14 GBQ4_K_M

Vitesse estimée 60–90 tok/sMLX

Rang open source sur Arena #931288 · 10 621 votes

Fonctionne aisémentAlibaba

Qwen2.5 Coder 7B Instruct

Code · Chat · Apache-2.0

Paramètres 7,6B

Mémoire estimée 6 GBQ4_K_M

Vitesse estimée 28–43 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentDeepSeek

DeepSeek R1 Distill Qwen 14B

Raisonnement · Chat · MIT

Paramètres 15B

Mémoire estimée 11 GBQ4_K_M

Vitesse estimée 15–22 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentAlibaba

Qwen3 8B

Chat · Raisonnement · Code · Apache-2.0

Paramètres 8,2B

Mémoire estimée 6,4 GBQ4_K_M

Vitesse estimée 26–39 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentAlibaba

Qwen2.5 7B Instruct

Chat · Raisonnement · Apache-2.0

Paramètres 7,6B

Mémoire estimée 6 GBQ4_K_M

Vitesse estimée 28–43 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentDeepSeek

DeepSeek R1 Distill Qwen 7B

Raisonnement · Chat · MIT

Paramètres 7,6B

Mémoire estimée 6 GBQ4_K_M

Vitesse estimée 28–43 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentDeepSeek

DeepSeek R1 Distill Qwen 32B

Raisonnement · Chat · MIT

Paramètres 33B

Mémoire estimée 23 GBQ4_K_M

Vitesse estimée 6,6–9,9 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentGoogle

Gemma 3 12B IT

Chat · Raisonnement · Vision · Gemma Terms

Paramètres 12B

Mémoire estimée 8,8 GBQ4_K_M

Vitesse estimée 18–27 tok/sMLX

Rang open source sur Arena #751334 · 3 829 votes

Fonctionne aisémentAlibaba

Qwen2.5 Coder 14B Instruct

Code · Chat · Apache-2.0

Paramètres 15B

Mémoire estimée 11 GBQ4_K_M

Vitesse estimée 15–22 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentAlibaba

Qwen3 14B

Chat · Raisonnement · Code · Apache-2.0

Paramètres 15B

Mémoire estimée 11 GBQ4_K_M

Vitesse estimée 15–22 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentGoogle

Gemma 3 27B IT

Chat · Raisonnement · Vision · Gemma Terms

Paramètres 27B

Mémoire estimée 19 GBQ4_K_M

Vitesse estimée 8–12 tok/sMLX

Rang open source sur Arena #621358 · 47 514 votes

Fonctionne aisémentMicrosoft

Phi-4 14B

Chat · Code · Raisonnement · MIT

Paramètres 14B

Mémoire estimée 10 GBQ4_K_M

Vitesse estimée 15–23 tok/sMLX

Rang open source sur Arena #1211217 · 24 126 votes

Fonctionne aisémentAlibaba

Qwen2.5 Coder 32B Instruct

Code · Chat · Apache-2.0

Paramètres 33B

Mémoire estimée 22 GBQ4_K_M

Vitesse estimée 6,6–10 tok/sMLX

Rang open source sur Arena #1131230 · 5 432 votes

Fonctionne aisémentMistral AI

Mistral Small 3.1 24B

Chat · Code · Vision · Apache-2.0

Paramètres 24B

Mémoire estimée 17 GBQ4_K_M

Vitesse estimée 9–14 tok/sMLX

Rang open source sur Arena #991278 · 33 199 votes

Fonctionne aisémentAlibaba

Qwen2.5 14B Instruct

Chat · Raisonnement · Apache-2.0

Paramètres 15B

Mémoire estimée 11 GBQ4_K_M

Vitesse estimée 15–22 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentAlibaba

Qwen3 32B

Chat · Raisonnement · Code · Apache-2.0

Paramètres 33B

Mémoire estimée 23 GBQ4_K_M

Vitesse estimée 6,6–9,9 tok/sMLX

Rang open source sur Arena #711340 · 3 926 votes

Fonctionne aisémentGoogle

Gemma 3 4B IT

Chat · Vision · Gemma Terms

Paramètres 4B

Mémoire estimée 3,7 GBQ4_K_M

Vitesse estimée 54–81 tok/sMLX

Rang open source sur Arena #911291 · 4 171 votes

Fonctionne aisémentAlibaba

Qwen2.5 32B Instruct

Chat · Raisonnement · Apache-2.0

Paramètres 33B

Mémoire estimée 22 GBQ4_K_M

Vitesse estimée 6,6–10 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentMicrosoft

Phi-4 Mini Instruct

Chat · Code · Raisonnement · MIT

Paramètres 3,8B

Mémoire estimée 3,6 GBQ4_K_M

Vitesse estimée 57–85 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentMeta

Llama 3.2 3B Instruct

Chat · Llama 3.2 Community

Paramètres 3B

Mémoire estimée 3 GBQ4_K_M

Vitesse estimée 72–108 tok/sMLX

Rang open source sur Arena #1561110 · 7 936 votes

Fonctionne aisémentMistral AI

Mistral 7B Instruct v0.3

Chat · Code · Apache-2.0

Paramètres 7,3B

Mémoire estimée 5,8 GBQ4_K_M

Vitesse estimée 30–44 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentGoogle

Gemma 2 9B IT

Chat · Gemma Terms

Paramètres 9,2B

Mémoire estimée 7 GBQ4_K_M

Vitesse estimée 24–35 tok/sMLX

Rang open source sur Arena #1221208 · 54 611 votes

Fonctionne aisémentMicrosoft

Phi-3.5 Mini Instruct

Chat · Code · MIT

Paramètres 3,8B

Mémoire estimée 3,6 GBQ4_K_M

Vitesse estimée 57–85 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentMistral AI

Mistral NeMo 12B Instruct

Chat · Code · Apache-2.0

Paramètres 12B

Mémoire estimée 8,9 GBQ4_K_M

Vitesse estimée 18–27 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne aisémentGoogle

Gemma 2 27B IT

Chat · Raisonnement · Gemma Terms

Paramètres 27B

Mémoire estimée 19 GBQ4_K_M

Vitesse estimée 8–12 tok/sMLX

Rang open source sur Arena #1121232 · 75 754 votes

Fonctionne aisémentMeta

Llama 3.2 1B Instruct

Chat · Llama 3.2 Community

Paramètres 1B

Mémoire estimée 1,7 GBQ4_K_M

Vitesse estimée 200–300 tok/sMLX

Rang open source sur Arena #1831055 · 8 045 votes

Fonctionne aisémentZhipu AI

GLM-4 9B Chat

Chat · Code · GLM-4 License

Paramètres 9,4B

Mémoire estimée 7,2 GBQ4_K_M

Vitesse estimée 23–34 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Fonctionne avec déchargementMeta

Llama 3.1 70B Instruct

Chat · Raisonnement · Llama 3.1 Community

Paramètres 70B

Mémoire estimée 47 GBQ4_K_M

Vitesse estimée 0,5–0,7 tok/sMLX

Rang open source sur Arena #1071261 · 55 240 votes

Fonctionne avec déchargementMeta

Llama 3.3 70B Instruct

Chat · Raisonnement · Llama 3.3 Community

Paramètres 70B

Mémoire estimée 47 GBQ4_K_M

Vitesse estimée 0,5–0,7 tok/sMLX

Rang open source sur Arena #1001275 · 54 726 votes

Fonctionne avec déchargementDeepSeek

DeepSeek R1 Distill Llama 70B

Raisonnement · Chat · MIT + Llama

Paramètres 70B

Mémoire estimée 47 GBQ4_K_M

Vitesse estimée 0,5–0,7 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Ne tient pas en mémoireOpenAIMoE

GPT-OSS 120B

Chat · Code · Raisonnement · Apache-2.0

Paramètres 117B5,1B actifs

Mémoire estimée 75 GBQ4_K_M

Vitesse estimée 1,7–2,5 tok/sMLX

Rang open source sur Arena #591366 · 30 628 votes

Ne tient pas en mémoireMoonshot AIMoE

Kimi K2 Instruct

Chat · Code · Raisonnement · Modified MIT

Paramètres 1 000B32B actifs

Mémoire estimée 633 GBQ4_K_M

Vitesse estimée 0,3–0,4 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Ne tient pas en mémoireMetaMoE

Llama 4 Scout 17B-16E

Chat · Raisonnement · Vision · Llama 4 Community

Paramètres 109B17B actifs

Mémoire estimée 70 GBQ4_K_M

Vitesse estimée 0,5–0,8 tok/sMLX

Rang open source sur Arena #981281 · 30 280 votes

Ne tient pas en mémoireMiniMaxMoE

MiniMax M2.1

Chat · Code · Raisonnement · MiniMax Open License

Paramètres 230B10B actifs

Mémoire estimée 146 GBQ4_K_M

Vitesse estimée 0,9–1,3 tok/sMLX

Rang open source sur Arena —Aucune correspondance exacte sur Arena

Ne tient pas en mémoireMetaMoE

Llama 4 Maverick 17B-128E

Chat · Raisonnement · Vision · Llama 4 Community

Paramètres 400B17B actifs

Mémoire estimée 254 GBQ4_K_M

Vitesse estimée 0,5–0,8 tok/sMLX

Rang open source sur Arena #921288 · 39 963 votes

Catalogue 2026.07.17-mvp.2Mis à jour le 2026-07-17Engine 1.1.0

Les performances sont estimées à partir de spécifications publiques. Les pilotes, les versions du moteur, le refroidissement, la longueur du contexte et la charge en arrière-plan peuvent modifier les résultats réels.

Bien plus qu’un simple oui ou non

IA en local : compatibilité, VRAM, mémoire et vitesse expliquées

Utilisez ce test gratuit comme calculateur de VRAM pour LLM local et comme guide de décision, pas comme une simple liste de matériel. Les données et limites de chaque estimation restent visibles.

Compatibilité PC, GPU et Mac

Commencez par la détection dans le navigateur, choisissez un profil GPU ou Mac connu, ou modifiez vous-même la VRAM, la mémoire unifiée, la RAM système et la bande passante.

Calculateur de VRAM et de mémoire pour LLM local

Estimez les poids du modèle, le cache KV du contexte et le surcoût du moteur au lieu de comparer uniquement la taille du fichier à la VRAM annoncée.

Une quantification adaptée à votre matériel

Comparez Q4, Q5, Q8, BF16, FP8 et NVFP4 ; le test explique les compromis de mémoire et la prise en charge de chaque précision par votre matériel.

Vitesse estimée du LLM en local

Consultez une plage de vitesse de sortie estimée en tokens par seconde. C’est une aide à la décision, pas un résultat de benchmark garanti sur votre machine.

Des explications et des sources, pas une boîte noire

Ouvrez un résultat pour examiner la répartition de la mémoire, la raison de la compatibilité, le moteur, la source, la date du catalogue et la version du moteur d’évaluation.

Détection du matériel dans votre navigateur

La détection automatique s’effectue dans votre navigateur. Les données brutes de l’adaptateur GPU ne sont pas envoyées et vous pouvez toujours corriger manuellement un résultat approximatif.

Tester la compatibilité de mon LLM local

Avant de télécharger

Faire tourner un LLM en local : vérifiez le matériel et la mémoire

Pour faire tourner un LLM en local, il ne suffit pas de comparer le nombre de paramètres à la VRAM annoncée. Vérifiez la mémoire réellement disponible, le format, la quantification, le contexte et le surcoût du moteur avant de télécharger.

Vérifier ma configuration LLM locale

Commencez par la VRAM ou la mémoire unifiée disponible

Gardez de la place pour le système d’exploitation, l’affichage, le moteur d’inférence, le contexte du modèle et les tampons temporaires, au lieu de considérer chaque gigaoctet annoncé comme disponible.

Choisissez votre modèle d’IA locale et sa quantification

Associez l’architecture et le nombre de paramètres du modèle à une version Q4, Q5, Q8, BF16, FP8 ou NVFP4 réellement prise en charge par votre matériel et votre moteur.

Utilisez le calculateur LLM avant le téléchargement

Comparez le poids estimé, le cache KV, le surcoût du moteur, l’état de compatibilité et les tokens par seconde avant de consacrer du stockage et du temps à l’installation.

Comment exécuter un LLM en local

Vérifiez en trois étapes si votre PC peut exécuter une IA locale

Commencez par votre PC, GPU ou Mac, réglez la précision et le contexte du modèle, puis utilisez les estimations de compatibilité, de mémoire et de vitesse pour choisir le bon téléchargement.

Tester mon matériel maintenant

1. Confirmez votre PC, GPU ou Mac

Le test essaie WebGPU et WebGL localement. Les restrictions de confidentialité du navigateur peuvent rendre la détection approximative ; vous pouvez donc choisir un profil ou modifier les valeurs matérielles.

2. Réglez la quantification et le contexte

Q4, Q5 et Q8 sont largement compatibles ; BF16 demande plus de mémoire ; FP8 et NVFP4 nécessitent certaines architectures NVIDIA. Un contexte plus long augmente la mémoire du cache KV.

3. Choisissez un modèle d’IA locale

Tenez compte ensemble de la compatibilité, de la répartition de la mémoire, de la vitesse estimée, du moteur, de la source, de la version du catalogue et de celle du moteur d’évaluation, pas d’un seul chiffre de VRAM.

FAQ sur les LLM locaux

IA locale et LLM local : questions fréquentes

Des réponses concrètes sur le matériel nécessaire pour un LLM local, la VRAM, la mémoire unifiée des Mac, la quantification, la vitesse estimée et la détection par navigateur.

Voir ce que mon matériel peut exécuter

Trouvez le LLM local que votre matériel peut vraiment exécuter

Utilisez gratuitement le test de compatibilité avant de télécharger un modèle d’IA locale. Comparez au même endroit la compatibilité, la VRAM, la mémoire, la quantification, le contexte et la vitesse estimée.

Lancer le test de compatibilité gratuit

Puis-je faire tourner une IA locale ou un LLM local sur mon PC ?

Détection du matériel…

Quel LLM local puis-je faire tourner sur ce matériel ?

Qwen3.5 9B

Qwen3 30B-A3B

Qwen3.5 35B-A3B

Llama 3.1 8B Instruct

GPT-OSS 20B

Qwen2.5 Coder 7B Instruct

DeepSeek R1 Distill Qwen 14B

Qwen3 8B

Qwen2.5 7B Instruct

DeepSeek R1 Distill Qwen 7B

DeepSeek R1 Distill Qwen 32B

Gemma 3 12B IT

Qwen2.5 Coder 14B Instruct

Qwen3 14B

Gemma 3 27B IT

Phi-4 14B

Qwen2.5 Coder 32B Instruct

Mistral Small 3.1 24B

Qwen2.5 14B Instruct

Qwen3 32B

Gemma 3 4B IT

Qwen2.5 32B Instruct

Phi-4 Mini Instruct

Llama 3.2 3B Instruct

Mistral 7B Instruct v0.3

Gemma 2 9B IT

Phi-3.5 Mini Instruct

Mistral NeMo 12B Instruct

Gemma 2 27B IT

Llama 3.2 1B Instruct

GLM-4 9B Chat

Llama 3.1 70B Instruct

Llama 3.3 70B Instruct

DeepSeek R1 Distill Llama 70B

GPT-OSS 120B

Kimi K2 Instruct

Llama 4 Scout 17B-16E

MiniMax M2.1

Llama 4 Maverick 17B-128E

IA en local : compatibilité, VRAM, mémoire et vitesse expliquées

Compatibilité PC, GPU et Mac

Calculateur de VRAM et de mémoire pour LLM local

Une quantification adaptée à votre matériel

Vitesse estimée du LLM en local

Des explications et des sources, pas une boîte noire

Détection du matériel dans votre navigateur

Faire tourner un LLM en local : vérifiez le matériel et la mémoire

Commencez par la VRAM ou la mémoire unifiée disponible

Choisissez votre modèle d’IA locale et sa quantification

Utilisez le calculateur LLM avant le téléchargement

Vérifiez en trois étapes si votre PC peut exécuter une IA locale

1. Confirmez votre PC, GPU ou Mac

2. Réglez la quantification et le contexte

3. Choisissez un modèle d’IA locale

IA locale et LLM local : questions fréquentes

Puis-je faire tourner une IA locale sur mon PC ?

Quel LLM local puis-je faire tourner ?

De combien de VRAM ai-je besoin pour faire tourner un LLM en local ?

Mon ordinateur portable peut-il exécuter un modèle d’IA locale ?

Puis-je faire tourner un LLM local sur un Mac ?

Que signifient Q4, Q5, Q8, BF16, FP8 et NVFP4 ?

La vitesse estimée d’un LLM local est-elle un benchmark ?

Le test de compatibilité envoie-t-il les données de mon GPU ?

Trouvez le LLM local que votre matériel peut vraiment exécuter