IA personnelle: ordinateurs portables, stations de travail et leurs capacités (partie 2)
Dernière mise à jour : il y a 7 jours
Dans la première partie de cet article, nous avons étudié les usages des LLM locaux et les architectures informatiques adaptées, comparé leurs performances et expliqué l'influence du processeur et de la mémoire sur la vitesse.
Dans la deuxième partie, nous verrons quels modèles LLM peuvent tenir entièrement dans la mémoire d'un ordinateur et ce qu'ils peuvent accomplir. Nous comparerons ensuite les ordinateurs portables et les stations de travail disponibles sur différentes architectures, proposés par les fabricants pour utiliser des LLM locaux.
Quels modèles LLM conviennent aux ordinateurs avec 32-768GB de mémoire
Les promesses publicitaires d'exécution de modèles de centaines de milliards de paramètres doivent être lues avec leurs conditions : AMD annonce 300B sur Ryzen AI Halo avec 192GB de mémoire, mais avec une quantification sur 4 bits. Cela représente environ 150GB pour les seuls poids, sans les surcoûts, alors que la version complète BF16/FP16 exige 4 fois plus de mémoire : 600GB ! Plus parlant encore, l'exemple de Framework : pour un ordinateur doté de 64GB, l'entreprise recommande Qwen3.5-122B-A10B avec une quantification sur 3 bits Q3_K_S et indique une consommation de mémoire de 52.5GB, alors que les seuls poids BF16/FP16 nécessiteraient environ 244GB. Soyez prudent avec ces promesses, car une quantification agressive sur 2-3 bits peut fortement dégrader les réponses et le comportement du modèle.
Cet article se concentre sur les ordinateurs dotés d'au moins 128GB de mémoire pour un usage professionnel de grands modèles capables de remplacer les solutions cloud dans de nombreuses tâches. Un ordinateur avec moins de mémoire convient aussi à une programmation simple. Le comparatif inclut donc également le modèle dense Qwen3.8-27B.
Les principales références pour les systèmes avec 128GB+ sont les modèles MoE ouverts récents Qwen3.8-Flash-Next et GLM-5.3-Flash. Qwen3.8 Flash est une version cloud, tandis que Flash-Next est une version ouverte pour une exécution locale.
Pour traiter chaque token, un modèle MoE n'utilise qu'une partie de ses paramètres, ce qui réduit les calculs nécessaires. Cependant, tous les poids doivent tenir en mémoire ; une grande capacité reste donc importante.
La quantification des poids et du cache KV réduit leur taille grâce à une représentation plus compacte des nombres. Son effet sur la qualité dépend du modèle, de la tâche et du degré de compression: Q4 peut convenir au travail, tandis que Q8 reste souvent proche de la qualité du modèle original. Les versions GGUF publiées précises et la taille totale de tous les fichiers de poids de chaque version sont indiquées ci-dessous.
Vous trouverez des modèles pour une exécution locale sur Hugging Face, qui héberge les poids d'origine, les instructions et des versions quantifiées prêtes à l'emploi. Avant le téléchargement, vérifiez l'auteur, la licence, la taille des fichiers et la compatibilité avec le logiciel choisi : llama.cpp nécessite généralement le format GGUF, tandis que MLX sur Mac exige une version compatible MLX. Vous pouvez aussi rechercher et télécharger des modèles directement dans LM Studio ou choisir un ensemble prêt à l'emploi dans la bibliothèque Ollama.
Notez que la taille des fichiers de poids du modèle ne correspond pas à la consommation totale de mémoire : il faut prévoir une réserve pour le système d'exploitation, les tampons de travail et le cache KV, dont la taille dépend de la longueur du contexte.
Si un ordinateur ou un cluster dispose de suffisamment de mémoire libre, il peut héberger plusieurs copies d'un même modèle ou différents modèles pour une utilisation simultanée.
Sous Windows et Linux, pour commencer, vous pouvez utiliser LM Studio avec son interface graphique ou Ollama ; pour une configuration plus souple et une API locale, utilisez llama.cpp. Sur Mac avec Apple Silicon, les mêmes outils sont disponibles, ainsi que MLX LM, développé pour cette plateforme ; l'accélération GPU utilise Metal. Sur DGX Spark avec DGX OS, un Linux basé sur Ubuntu, vous pouvez exécuter les versions CUDA de llama.cpp et, pour traiter plusieurs requêtes, utiliser vLLM en suivant les instructions de NVIDIA ; la version du logiciel ou le conteneur doit prendre en charge ARM64 et le GPU GB10.
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, et non les résultats des versions GGUF quantifiées sélectionnées.
Les résultats dépendent aussi de l'environnement agentique (harness) et des réglages: des versions identiques des tests ne garantissent pas des conditions identiques. Par exemple, Qwen3.8-27B a été testé dans SWE-bench Pro et DeepSWE 1.1 avec l'environnement agentique 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.
Quelques benchmarks populaires:
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 |
Ordinateurs disponibles pour les modèles d'IA locaux
Les tableaux ci-dessous présentent des familles d'ordinateurs en privilégiant les configurations avec 128GB de mémoire ou plus.
Les exigences d'alimentation sont indiquées séparément pour chaque famille: puissance de l'adaptateur et protocole de charge pris en charge.
Ordinateurs portables et stations de travail avec NVIDIA RTX Spark N1X
Ordinateur portable | Modèle, puce et plage de mémoire | Charge par adaptateur USB-C (PD) | Documentation et boutique |
|---|---|---|---|
❌ | Acer SFF RTX Spark | N1X | jusqu'à 128GB | - | |
✅ | ASUS ProArt P16 H7607 | N1X | 32-128GB | PD3.1, 140W | |
✅ | ASUS ProArt P14 H7407 | N1X | 32-128GB | PD3.1, 140W | |
❌ | ASUS ProArt GR1X | N1X | 64/128GB | USB-C EPR PD 3.1(180W) ; adaptateur de 240W inclus | |
❌ | Dell Creator Edition Desktop | N1X | jusqu'à 128GB | - | |
✅ | 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 | N1X | jusqu'à 128GB | 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; USB-C adaptateur 140W | |
✅ | Lenovo Yoga 9n 2-in-1 Gen 11 16" | N1X | 32-64GB | USB-C PD 3.0; USB-C adaptateur 140W | |
✅ | Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minimum 115W | |
❌ | Microsoft Surface RTX Spark Dev Box | N1X | 128GB | - | |
❌ | MSI EdgeMesa N AI+ | N1X | jusqu'à 128GB | USB-C PD IN; adaptateur 240W | |
✅ | MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65W(20V3.25A)-140W(28V5A) |
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 | |
CyberGeek DGX Spark Compact AI Workstation | GB10 |128GB | Bloc d'alimentation USB-C de 240W fourni; utiliser l'adaptateur fourni | |
Dell Pro Precision with GB10 (anciennement Dell Pro Max with GB10) | 64/128GB | Adaptateur secteur USB-C fourni FCM1253 280W, (profils de sortie: 5V3A, 9V3A, 15V3A, 20V6.5A, 28V5.89A, 36V5.83A, 48V5.83A); La version PD n'est pas précisée. Dans la plage de 20-48V, ces profils PD utilisent des intensités de courant non standard ! | |
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 AI | GB10 | 64/128GB | 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 |
Ordinateurs portables et stations de travail avec Ryzen AI Max+ 395/495
Les modèles Ryzen AI Max 385/390 et Ryzen AI Max PRO 485/490 avec GPU Radeon 8050S ne sont pas retenus en raison de leur « obsolescence ».
Ordinateur portable | Modèle, puce et plage de mémoire | Charge par adaptateur USB-C (PD) | Documentation et boutique |
|---|---|---|---|
❌ | Acer Veriton RA110 | Max+ 395 | 64/128GB | - | |
❌ | 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 | Entrée d'alimentation USB-C | |
❌ | ACEMAGIC F9A | Max+ PRO 495 | 192GB | - | |
✅ | ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | USB PD 45-100W pris en charge | |
✅ | ASUS ROG Flow Z13 GZ302 | Max+ 395 dans la version supérieure | 32-128GB | USB PD 3.0, 45-100W | |
❌ | Beelink GTR9 Pro | Max+ 395 | 128GB | - | |
❌ | CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | |
❌ | Framework Desktop | Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | |
❌ | GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB de mémoire partagée | - | |
❌ | GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | |
❌ | GMKtec EVO-X3 | Max+ 395 | 128GB | - | |
❌ | GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB de mémoire unifiée | - | |
❌ | HP Z2 Mini G1a | Max+ PRO 395 dans la version supérieure | 16-128GB | - | |
✅ | HP ZBook Ultra 14 G1a | Max+ PRO 395 dans la version supérieure | 16-128GB | USB-C 140W | |
✅ | HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | jusqu'à 192GB de mémoire unifiée | Entrée USB-C; adaptateur recommandé 180W, autre option 140W | |
❌ | Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | jusqu'à 128GB de mémoire unifiée | - | |
❌ | MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | |
❌ | MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB de mémoire unifiée | - | |
❌ | MINISFORUM N5 MAX-P495 | Max+ PRO 495 | 192GB | - | |
❌ | MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | - |
Ordinateurs portables et stations de travail avec 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.
Ordinateur portable | Modèle, puce et plage de mémoire | Charge par adaptateur USB-C (PD) | Documentation et boutique |
|---|---|---|---|
✅ | MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | PD3.0 (<100W) | |
✅ | MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | PD3.1 (140W) | |
✅ | MacBook Pro 14" | M5 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | PD3.0 (<100W) | |
✅ | MacBook Pro 16" | M5 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | PD3.1 (140W) | |
❌ | Mac Studio (2025) | M4 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | - | |
❌ | Mac Studio (2025) | M3 Ultra | 96-256GB dans la spécification actuelle; 512GB au lancement | - | |
❌ | Mac Studio | M5 Ultra | 96/256/512GB; 512GB: livraisons plus tard en octobre 2026 | - | |
❌ | Mac Studio | M5 Max | 36-128GB; 128GB nécessite un GPU à 40 cœurs | - | 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 fiable de l'ordinateur
Vérifiez le contenu de la boîte: certaines configurations sont vendues sans adaptateur, surtout en Europe ; pour d'autres, il est inclus.
Pour travailler chaque jour pendant plusieurs heures avec un modèle d'IA local, il faut un bloc d'alimentation 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 prévoyez de brancher plusieurs appareils sur un bloc d'alimentation à plusieurs ports, vérifiez la puissance d'un port et sa redistribution lorsque d'autres appareils sont branchés.