IA personnelle: ordinateurs portables, stations de travail et leurs capacités
Dernière mise à jour : il y a 1 jour
L'arrivée de processeurs centraux performants de NVIDIA, AMD et Apple Silicon, associés à une grande quantité de mémoire partagée, a rendu l'IA locale accessible sous différents formats: des ordinateurs portables aux stations de travail compactes pour la maison. Cette nouvelle catégorie d'ordinateurs, conçue principalement pour exécuter des modèles d'IA en local, est aussi parfois appelée « ordinateurs agentiques ».
Ils partagent une architecture dans laquelle le processeur et l'accélérateur graphique intégré utilisent le même grand ensemble de mémoire à haute vitesse. Cela permet de garder un grand modèle LLM performant à proximité des unités de calcul, sans transférer constamment ses parties par une liaison lente avec une carte graphique distincte.
La principale raison pratique d'exécuter l'IA localement est de pouvoir traiter des documents, du code source et des bases de connaissances internes sans les envoyer à un service cloud. Pour une entreprise, c'est utile et souvent indispensable lorsqu'elle travaille avec des informations confidentielles et un dépôt de code interne privé.
Un autre avantage de l'hébergement local d'un LLM est l'absence de paiement pour chaque requête à l'API lorsqu'on utilise le modèle local. Son coût direct de fonctionnement est l'électricité nécessaire pour alimenter l'ordinateur, mais il faut aussi tenir compte de l'achat d'une machine qui servira pendant plusieurs années. L'exécution locale permet également de travailler sans Internet et de choisir le modèle le mieux adapté à chaque tâche: programmation, travail avec des agents, traduction, génération d'images, de vidéos, de sons, etc.
Pourquoi une grande quantité de mémoire partagée est-elle si importante?
Un PC classique doté d'un GPU dédié peut aussi être une excellente machine pour l'IA locale. Tant que le modèle choisi tient entièrement dans la VRAM et qu'il reste une marge pour le cache KV et les tampons de travail, l'accélérateur peut traiter les requêtes très rapidement. Il serait donc inexact de considérer tous les ordinateurs équipés d'une carte graphique distincte comme inadaptés à l'IA.
La limite apparaît lorsqu'un grand modèle, précisément le type le plus précieux et nécessaire pour un usage professionnel, manque de place dans la mémoire vidéo. Le programme signale un manque de mémoire, transfère une partie du travail vers le CPU et la RAM système, ou charge les poids depuis la RAM ou le SSD. Ces transferts et ce stockage plus lent peuvent augmenter fortement la latence, au point de la rendre inacceptable pour un assistant interactif. Il n'existe pas de facteur unique de ralentissement: le programme d'exécution, la proportion de poids déchargés, le modèle et le matériel comptent. En pratique, les performances peuvent toutefois être divisées par 5-10 dans ces situations.
Une grande quantité de RAM système à côté d'un petit GPU dédié ne devient pas automatiquement la même quantité de VRAM rapide.
Les solutions basées sur NVIDIA RTX/DGX Spark, AMD Ryzen AI Max et Apple Silicon Max/Ultra mettent l'accent ailleurs: l'accélérateur graphique peut accéder à une grande quantité de mémoire partagée dans le cadre de l'architecture prise en charge. Cela élargit le choix de grands modèles.
128GB et plus est le repère retenu dans cet article pour de grands modèles capables de réaliser les tâches pour lesquelles les utilisateurs se tournent généralement vers des modèles cloud par API ou abonnement. Pour des modèles spécialisés plus petits ou des expériences avec des modèles ultra-quantifiés et distillés et une fenêtre de contexte limitée, une capacité moindre peut suffire.
Une grande quantité de mémoire offre aussi une marge pour moins compresser les poids, donc mieux préserver la qualité, et pour utiliser une fenêtre de contexte plus grande.
Où l'IA locale est utile au quotidien
Assistant pour les documents internes. Si vous disposez d'une grande base documentaire, il peut être pertinent de construire un système RAG, qui trouve d'abord les passages pertinents dans la base de connaissances locale, puis les transmet au modèle LLM pour produire une réponse avec des références aux documents. Un LLM peut chercher des mots-clés dans la documentation, mais si le travail sur des archives documentaires est la tâche principale, un RAG peut rendre la recherche plus précise et efficace, car il s'agit d'une base de données vectorielle.
Travail sur le code source. Le modèle aide à expliquer des parties du projet, à proposer des modifications, à écrire du code et à le tester. Les meilleurs modèles d'Anthropic ou d'OpenAI donneront de meilleurs résultats, mais ce sont des solutions cloud qui ne sont pas accessibles à tous, ne sont pas toujours utilisables pour des raisons de confidentialité et peuvent être très coûteuses. Si leur utilisation est autorisée dans votre environnement de travail, vous pouvez répartir la charge: déléguer les opérations courantes aux modèles locaux et confier la revue finale et l'architecture aux meilleurs modèles cloud.
Exécution de tests et d'opérations courantes en arrière-plan, la nuit. Votre équipe peut avoir des tâches récurrentes à lancer selon un scénario, un événement ou un calendrier et nécessitant des outils: extraction et analyse de journaux, tests des versions, recherche de nouveaux documents dans des sources locales comme sur Internet.
Assistant partagé pour une petite équipe. Une station compacte peut être installée au bureau, avec un accès au modèle local depuis plusieurs ordinateurs. NVIDIA PAIR peut répartir les requêtes indépendantes d'Ollama ou de LM Studio entre les systèmes compatibles connectés.
Génération d'images. Pour un ordinateur doté de 128GB de mémoire, on peut envisager FLUX.1-dev pour les images: l'ensemble choisi de poids Diffusers, avec les encodeurs de texte et le VAE, occupe environ 33.74GB. NVIDIA publie des instructions d'exécution via ComfyUI sur DGX Spark.
Génération de vidéos. Un exemple de modèle local pour ce cas d'usage est Wan2.2-T2V-A14B: l'ensemble d'origine comprenant deux experts en FP32, un encodeur de texte et un VAE occupe environ 126.18GB. Son exemple officiel pour 720p nécessite au moins 80GB.
Synthèse vocale. Pour générer de la parole dans différentes langues, on peut utiliser Qwen3-TTS-12Hz-1.7B-CustomVoice avec le tokenizer vocal; les fichiers de poids occupent environ 4.52GB. Une alternative plus grande est MOSS-TTS-v1.5 avec 8B paramètres: 31 langues, clonage de voix à partir d'un échantillon, enregistrements longs, contrôle de la durée, de la prononciation par IPA et des pauses. Les poids principaux occupent environ 16.98GB, et le composant obligatoire MOSS-Audio-Tokenizer - encore 7.10GB, soit environ 24.08GB au total. La licence Apache 2.0 autorise l'utilisation commerciale. C'est un ensemble de fonctions plus large, pas la preuve d'un meilleur rendu vocal pour tous les textes.
Reconnaissance vocale. Pour transcrire localement des réunions, entretiens et notes vocales, on peut utiliser Qwen3-ASR-1.7B: le modèle prend en charge 30 langues, dont le russe, la détection automatique de la langue et la reconnaissance en streaming. Les fichiers de poids BF16 occupent environ 4.70GB. Pour les horodatages des mots, on utilise également Qwen3-ForcedAligner-0.6B avec environ 1.84GB de poids. Les deux modèles sont disponibles sous Apache 2.0. La consommation de mémoire à l'exécution dépasse la taille des fichiers et dépend des tampons et des flux parallèles.
Une grande quantité de mémoire partagée ne garantit pas à elle seule l'exécution: pour chaque puce, notamment AMD et Apple, il faut vérifier la compatibilité du programme d'exécution, la mémoire disponible pour l'accélérateur et la précision prise en charge.
Quels modèles conviennent aux ordinateurs de 32-768GB
Nous avons souligné qu'un travail professionnel sérieux avec des modèles capables de remplacer des solutions cloud dans de nombreuses situations nécessite une machine de 128GB de mémoire. Ci-dessous, le modèle dense Qwen3.8-27B sert aussi de repère: il peut être utilisé pour programmer et chargé sur une machine disposant de moins de mémoire.
Les principaux repères restent cependant les modèles MoE ouverts, modernes et très performants Qwen3.8-Flash-Next et GLM-5.3-Flash. Qwen3.8 Flash est une version destinée au cloud, tandis que Flash-Next est une version ouverte pour une installation locale.
Dans les modèles MoE, seule une partie des paramètres est active par token, mais l'ensemble des poids doit être placé en mémoire.
La quantification réduit la taille des poids et du cache grâce à une représentation plus compacte des nombres; les variantes mixtes UD utilisent des précisions différentes selon les parties du modèle. Elle affecte inévitablement la qualité, mais cela dépend de son intensité. Une quantification jusqu'à 4 bits (Q4) est considérée comme potentiellement acceptable pour travailler, et Q8 est souvent très proche de l'original. Ci-dessous figurent des GGUF publiés précis et la somme de toutes les parties de leurs poids. La taille du fichier ne correspond pas à la consommation du programme complet: il faut aussi de la mémoire pour le système d'exploitation, les tampons de travail, le cache KV et la longueur de contexte choisie.
Si la machine ou le cluster dispose de beaucoup de mémoire libre, on peut y placer plusieurs copies du modèle ou différents modèles pour une utilisation simultanée.
Mémoire | Critères de choix | |||
|---|---|---|---|---|
32GB | Q4 + réserve ne tiennent pas | Q4 + réserve ne tiennent pas | Qwen27B: un contexte de 32K tient; 64K est à la limite; 128K+ ne tiennent pas. | |
64GB | Q4 + réserve ne tiennent pas | Q4 + réserve ne tiennent pas | Qwen27B: un contexte jusqu’à 256K tient. | |
128GB | Q4 + réserve ne tiennent pas | Qwen27B: jusqu'à 256K. Flash-Next: 32K/64K tiennent; 128K est à la limite. | ||
192GB | Q4 + réserve ne tiennent pas | Qwen27B et Flash-Next: jusqu'à 256K. | ||
256GB | Un contexte jusqu'à 256K tient. | |||
512GB | Contexte jusqu'à 256K. Pour un cluster de 4 nœuds, il faut encore 36GB pour Qwen27B, 60GB pour Flash-Next et 72GB pour GLM Flash: chaque nœud nécessite un système d'exploitation et des tampons. | |||
768GB | Contexte jusqu'à 256K. Pour un cluster de 4 nœuds, il faut encore 36GB pour Qwen27B, 60GB pour Flash-Next et 72GB pour GLM Flash: chaque nœud nécessite un système d'exploitation et des tampons. |
Comparaison des modèles avec les mêmes versions des tests
Les valeurs ci-dessous sont des pourcentages issus des publications des développeurs des versions originales, pas les résultats des versions GGUF quantifiées choisies. Des versions de tests identiques ne garantissent pas le même environnement d'agent ni les mêmes réglages. Par exemple, Qwen3.8-27B a été testé dans SWE-bench Pro et DeepSWE 1.1 avec l'environnement d'agent Claude Code et un contexte de 256K.
Outre les modèles ouverts, le tableau donne à titre de repère les scores de benchmarks de modèles cloud connus.
SWE-bench Pro et DeepSWE montrent le travail sur le code;
Terminal-Bench 2.1: tâches d'exécution autonome par des agents;
GPQA Diamond et HLE avec des outils : questions complexes et raisonnement, avec des outils dans le second cas.
Modèle et source | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Valeur non fournie | |
62.5 | Valeur non fournie | 58.7 | 91.7 | Valeur non fournie | |
Valeur non fournie | 84.3 | 63.4 | Valeur non fournie | 55.3 | |
Valeur non fournie | 90.6 | 74.2 | 90.9 | 63.9 | |
Valeur non fournie | Valeur non fournie | Valeur non fournie | Valeur non fournie | 64.5 | |
Valeur non fournie | Valeur non fournie | Valeur non fournie | 89.9 | 49.0 | |
Valeur non fournie | 88.8 | 72.7 | Valeur non fournie | 64.5 | |
53.4 | Valeur non fournie | Valeur non fournie | 91.3 | Valeur non fournie | |
Valeur non fournie | 85.0 | 58.0 | Valeur non fournie | 57.9 |
Comparaison des performances des processeurs et de la vitesse mémoire
Les valeurs de crête ci-dessous proviennent de la documentation des fabricants. Les performances FP4 de NVIDIA et les TOPS totaux d'AMD décrivent des modes différents et ne constituent pas un classement direct de vitesse. Apple ne publie pas de métrique de crête IA comparable dans les spécifications citées; les cœurs de calcul et la bande passante mémoire sont donc indiqués.
Puce dans la configuration supérieure | Performances publiées | Mémoire et vitesse | Source |
|---|---|---|---|
NVIDIA RTX Spark N1X | Jusqu'à 1PFLOP FP4; CPU à 20 cœurs, GPU à 6144 cœurs CUDA | Jusqu'à 128GB de mémoire partagée; 300GB/s, bus de 256 bits selon la documentation NVIDIA | |
NVIDIA GB10 Grace Blackwell | Jusqu'à 1PFLOPS FP4 avec sparsité; CPU à 20 cœurs | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS au total, NPU jusqu'à 50TOPS; CPU à 16 cœurs, Radeon 8060S 40 CU | 128GB; chez Framework LPDDR5X 8000MT/s, 256 bits (calcul: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS au total, NPU jusqu'à 55TOPS; CPU à 16 cœurs, Radeon 8065S 40 CU | 192GB chez Framework; LPDDR5X 8533MT/s, 256 bits (calcul: 273.1GB/s) | |
Apple M4 Max | CPU à 16 cœurs, GPU à 40 cœurs, NPU à 16 cœurs | 128GB; 546GB/s | |
Apple M3 Ultra | CPU à 32 cœurs, GPU à 80 cœurs, NPU à 32 cœurs | Jusqu'à 512GB au lancement; 819GB/s | |
Apple M5 Max | CPU à 18 cœurs, GPU à 40 cœurs, NPU à 16 cœurs | 128GB; 614GB/s | |
Apple M5 Ultra | CPU à 36 cœurs, GPU à 80 cœurs, NPU à 32 cœurs | Jusqu'à 512GB; 1.2TB/s |
RTX Spark N1X et GB10 ont des architectures proches: dans leurs versions supérieures, tous deux possèdent 20 cœurs CPU Arm et un GPU Blackwell à 6144 cœurs CUDA. Cependant, les caractéristiques officielles de RTX Spark distinguent le N1X portable avec un TDP de 45-80W du modèle de bureau avec un TDP processeur de 140W; le GB10 a aussi un TDP de 140W. Il existe également un N1X portable d'entrée de gamme à 18 cœurs CPU et 5120 cœurs CUDA. Faites attention à la version du processeur.
Pour la mémoire, NVIDIA indique 300GB/s pour N1X, et 273GB/s pour GB10.
N1X est conçu pour Windows on Arm; DGX Spark utilise Linux.
Les sources vérifiées ne contiennent pas de test comparatif entre N1X et GB10 avec le même modèle, la même quantification et le même contexte. On peut donc seulement supposer que les résultats du N1X de bureau seront comparables à ceux de GB10.
Pour AMD, des mesures directes existent: Tom's Hardware a comparé Ryzen AI Halo sur Max+ 395 et Dell Pro Max sur GB10 dans llama.cpp via llama-benchy. Le tableau donne les résultats avec un contexte de 8192 tokens, une entrée de 2048 et une réponse de 256 tokens; l'auteur a utilisé GGUF Unsloth Q4_K_M. La machine AMD possédait 128GB LPDDR5X-8000 et un TDP nominal de 120W. TTFT est le délai jusqu'au premier token; en génération, davantage de tokens par seconde signifie une réponse plus rapide.
Modèle testé | AMD 395: TTFT | GB10: TTFT | AMD 395: génération | GB10: génération |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 tokens/s | 58.9 tokens/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 tokens/s | 50.7 tokens/s |
Dans ces deux tests, GB10 gagne à la fois sur le TTFT et la vitesse de génération. L'auteur souligne que la mise en cache de l'entrée peut réduire l'écart de TTFT.
La vitesse de l'ensemble d'une tâche d'agent peut donner un autre résultat. Dans le test HEPA réalisé par AMD les deux machines exécutaient Qwen3.6-35B-A3B au format 4 bits et préparaient une présentation à partir des mêmes documents locaux. AMD Halo a terminé en 311.6s, DGX Spark en 367.1s, alors que l'étape GPU était plus rapide sur Spark: 137.2s contre 159.5s. Sept des huit étapes étaient exécutées sur CPU. Il s'agit d'un exemple précis de test du fabricant: pour un agent, il faut aussi mesurer le temps jusqu'au résultat final, y compris la recherche, le traitement des documents et la vérification de la réponse.
Pour comparer les solutions Apple et NVIDIA, le développeur EXO indique environ 26TFLOPS FP16 pour M3 Ultra et environ 100TFLOPS FP16 pour DGX Spark. Ces estimations donnent un écart d'environ 3.8 fois en performances de crête FP16, mais ne garantissent pas un tel écart de vitesse pour un LLM local.
Qu'est-ce qui compte le plus pour la vitesse: la mémoire ou les unités de calcul?
Pour générer une réponse, un modèle dense, par exemple Qwen3.8-27B, utilise toutes ses couches et tous ses poids. Avec une ou plusieurs requêtes, l'accélérateur attend souvent la lecture des données: la bande passante mémoire est donc importante, car elle influence la vitesse d'apparition des tokens suivants.
Pendant le pré-remplissage, l'ordinateur traite le texte d'entrée et crée le cache KV; une entrée longue offre plus de possibilités de calcul matriciel parallèle. À cette étape de préremplissage, des unités de calcul puissantes peuvent réduire l'attente du premier token. L'effet des grands lots de requêtes et la prédiction sont étudiés dans un article distinct de NVIDIA.
Pour un agent qui reçoit du contexte à répétition et renvoie une réponse courte ou un appel d'outil, le prefill peut représenter une part importante de l'attente. Les modèles MoE cités, Qwen3.8-Flash-Next et GLM-5.3-Flash, n'utilisent en outre que les experts sélectionnés, ce qui réduit l'exigence de vitesse mémoire par rapport aux modèles denses, même si elle reste un facteur important des performances globales.
Le développeur EXO a mesuré le même Llama-3.1 8B FP16: entrée de 8192 tokens, réponse de 32 tokens. Sur DGX Spark, le pré-remplissage a pris 1.47s, la génération 2.87s, soit 4.34s au total; sur M3 Ultra Mac Studio, 5.57s, 0.85s et 6.42s. Dans ce test, Spark a gagné sur le traitement de l'entrée, et Mac sur la génération.
Clusters: 512GB chez NVIDIA et 768GB chez AMD
Pour DGX Spark sur GB10, chaque machine de gamme supérieure possède 128GB. Quatre machines totalisent 512GB. NVIDIA Sync prend en charge la configuration d'un tel cluster; quatre nœuds nécessitent un commutateur réseau QSFP adapté, tandis qu'une liaison directe convient aux configurations plus petites.
AMD propose aussi une voie d'exécution distribuée: l'entreprise publie un exemple à quatre nœuds avec llama.cpp RPC. De plus, Framework annonce l'association de quatre Desktop avec Ryzen AI Max+ PRO 495 et 192GB par noeud, soit jusqu'à 768GB au total.
Dans les deux cas, la somme de mémoire ne devient pas automatiquement un espace d'adressage unique. Le programme orchestrateur doit répartir le modèle entre les nœuds; la vitesse dépend du réseau et de la méthode de parallélisation.
Un cluster peut être configuré pour héberger un grand modèle, accélérer une requête ou augmenter les performances globales du service. On utilise pour cela plusieurs stratégies de répartition:
Tensor parallèle: les nœuds calculent simultanément des parties des matrices des mêmes couches. Ils traitent ensemble la requête, mais échangent souvent leurs résultats.
Expert parallèle: les experts MoE sont placés sur différents nœuds et les tokens sont envoyés vers les experts concernés. La parallélisation peut aider, mais les échanges de données et une charge inégale peuvent annuler le gain.
Pipeline parallèle: les groupes de couches sont répartis en étapes successives. Un token les traverse dans l'ordre; plusieurs requêtes ou micro-lots peuvent occuper différentes étapes simultanément. Le pipeline peut connaître des temps morts, mais ce scénario est efficace avec un grand flux de tâches séquentielles.
Data parallèle: différentes copies du modèle servent des requêtes indépendantes. Cela augmente le débit global du service si la mémoire suffit pour les copies, mais n'accélère pas automatiquement une seule requête.
Les modes peuvent se combiner, par exemple tensor + pipeline ou tensor + expert, si le programme choisi le permet. La présence de quatre nœuds ne garantit pas une accélération: le réseau, la synchronisation, la taille des lots et l'équilibrage de charge comptent. NVIDIA explique séparément comment choisir la répartition du modèle selon le matériel.
Pour DGX Spark, il existe une recette officielle vLLM à deux nœuds: Qwen3.8-27B NVFP4, tensor parallel sur deux nœuds et regroupement continu de plusieurs requêtes en un lot. Cet exemple montre que le calcul partagé du modèle peut aussi servir des requêtes parallèles.
Solutions pour les modèles d'IA locaux des principaux fabricants d'ordinateurs
Les tableaux recensent des familles d'ordinateurs dont les configurations supérieures disposent de 128GB ou plus.
Le protocole de charge que l'adaptateur doit prendre en charge et sa puissance nécessaire pour alimenter l'ordinateur sont indiqués séparément.
Ordinateurs portables et stations de travail avec NVIDIA RTX Spark N1X
Modèle, puce et plage de mémoire | Charge par adaptateur USB-C (PD) | Documentation et boutique |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | jusqu'à 128GB de mémoire unifiée | - | |
ASUS ProArt P16 H7607 | N1X | 32-128GB | PD3.1, 140W | |
ASUS ProArt P14 H7407 | N1X | 32-128GB | PD3.1, 140W | |
ASUS ProArt GR1X | NVIDIA RTX Spark N1X | 64/128GB de mémoire partagée | USB-C PD IN, EPR PD 3.1 ; adaptateur de 240W inclus ; la puissance d'entrée requise et le profil ne sont pas indiqués | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | jusqu'à 128GB de mémoire unifiée | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Power Delivery est indiqué sur trois ports USB-C 4.0 | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | jusqu'à 128GB de mémoire unifiée | USB PD 3.2; USB-C GaN adaptateur 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0 ; un adaptateur USB-C de 140W est fourni avec certaines configurations ; la puissance d'entrée maximale n'est pas indiquée. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minimum 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB de mémoire unifiée | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | jusqu'à 128GB LPDDR5X de mémoire unifiée | USB-C PD IN; adaptateur 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
Stations de travail NVIDIA GB10 / DGX Spark
Modèle, puce et plage de mémoire | Charge par adaptateur USB-C (PD) | Documentation et boutique |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Bloc d'alimentation USB-C de 240W inclus | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. La fiche technique indique une entrée jusqu'à 180W; bloc d'alimentation fourni de 240W | |
Dell Pro Precision with GB10 (FCM1253; anciennement Dell Pro Max with GB10) | GB10 | 128GB | Bloc d'alimentation USB-C d'origine de 280W, 48V5.83A; version PD non indiquée. Il s'agit d'un mode non standard 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN ; adaptateur de 240W inclus ; la puissance d'entrée requise, le profil de tension et la version PD ne sont pas indiqués. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Entrée USB-C dédiée, bloc d'alimentation de 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Entrée USB-C dédiée avec USB PD 3.1; bloc d'alimentation fourni de 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Bloc d'alimentation d'origine USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | USB-C PD3.1 240W fourni d'origine | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Bloc d'alimentation inclus; puissance et mode PD non indiqués |
Ryzen AI Max+ 395 et nouveaux modèles de 192GB
Modèle, puce et plage de mémoire | Charge par adaptateur USB-C (PD) | Autre entrée DC ou bloc d'alimentation secteur | Documentation et boutique |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Connecteur DC distinct à l'arrière ; la puissance de l'adaptateur fourni n'est pas indiquée dans la source consultée. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Entrée USB-C dédiée pour la charge avec le bloc d'alimentation d'origine | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB de mémoire unifiée | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | USB PD 45-100W pris en charge | Entrée DC rectangulaire: bloc d'alimentation de 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 dans la version supérieure | 32-128GB | USB PD 3.0, 45-100W | Entrée DC rectangulaire: bloc d'alimentation de 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Bloc d'alimentation secteur interne de 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Bloc d'alimentation interne Flex ATX de 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Bloc d'alimentation interne Flex ATX de 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB de mémoire partagée | L'entrée USB-C PD n'est pas indiquée dans les documents consultés | DC-in ; adaptateur de 330W inclus | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: bloc d'alimentation de 19.5V11.8A, environ 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB de mémoire unifiée | L'alimentation en entrée par USB-C n'est pas prise en charge | DC IN 19.5V16.9A, 330W; connecteur 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 dans la version supérieure | 16-128GB | - | Bloc d'alimentation secteur interne de 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 dans la version supérieure | 16-128GB | Bloc d'alimentation USB-C de 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | jusqu'à 192GB de mémoire unifiée | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | jusqu'à 128GB de mémoire unifiée | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Bloc d'alimentation secteur interne de 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB de mémoire unifiée | - | Bloc d'alimentation interne 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | Entrée USB PD non indiquée; les deux USB-C: sortie PD de 15W | Bloc d'alimentation secteur interne Flex de 300W |
Apple Silicon: les deux dernières générations
Pour le MacBook Pro, les M5 Max et M4 Max avec un GPU à 40 cœurs et 128GB sont considérés. Pour Mac Studio, la génération M5 Max / M5 Ultra et la précédente M4 Max / M3 Ultra. Apple avait annoncé une version M3 Ultra de 512GB au lancement, mais la page actuelle des caractéristiques indique un maximum de 256GB.
Modèle, puce et plage de mémoire | Charge par adaptateur USB-C (PD) | Autre entrée DC ou bloc d'alimentation secteur | Documentation et boutique |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | PD3.0 (<100W) | MagSafe 3: à partir de PD 3.0 | Caractéristiques | Charge rapide | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | PD3.1 (140W) | MagSafe 3: à partir de PD 3.1 | Caractéristiques | Charge rapide | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | - | Bloc d'alimentation secteur intégré; 480W | Caractéristiques | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB dans la spécification actuelle; 512GB au lancement | - | Bloc d'alimentation secteur intégré; 480W | Caractéristiques | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: livraisons plus tard en octobre 2026 | - | Bloc d'alimentation secteur intégré; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | PD3.0 (<100W) | MagSafe 3: à partir de PD 3.0 | Caractéristiques | Charge rapide | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | PD3.1 (140W) | MagSafe 3: à partir de PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | - | Bloc d'alimentation secteur intégré; 480W | Caractéristiques | Amazon.com(36Gb) |
MagSafe 3 sur MacBook est un connecteur propriétaire du côté de l'ordinateur portable, alimenté par un adaptateur USB-C via le câble correspondant.
Comment assurer une alimentation électrique fiable à l'ordinateur
Vérifiez le contenu du colis: certaines configurations sont vendues sans adaptateur, notamment en Europe, tandis que d'autres l'incluent.
Un ordinateur qui travaillera chaque jour pendant de longues heures avec un modèle d'IA local nécessite une source fiable, capable de fournir durablement la puissance requise sans défaillance.
Vérifiez la tension, le courant, le protocole et le câble autorisé dans la documentation de la machine concernée. Si le fabricant exige un bloc d'alimentation propriétaire ou un mode non standard, la présence d'un connecteur USB-C ne permet pas de le remplacer par n'importe quel chargeur puissant.
Si vous choisissez un bloc d'alimentation à plusieurs ports, tenez compte de la puissance fournie par un seul port et de son évolution lors du branchement d'un second appareil, si ce scénario vous concerne.