L'IA locale sur Mac : le guide complet Apple Silicon

Le Mac est devenu la machine la plus simple pour lancer une IA locale. Pas de carte graphique à choisir, pas de pilote à configurer : il suffit d'installer un outil, de télécharger un modèle et de poser sa première question. Cette page fait le tour : combien de RAM il vous faut, quel modèle choisir selon votre puce, et à quoi vous attendre en termes de vitesse.

Pourquoi l'Apple Silicon excelle en IA locale

Deux caractéristiques font la différence.

La mémoire unifiée. Sur un PC classique, la carte graphique a sa propre mémoire vidéo (VRAM), souvent 8 à 24 Go, séparée de la RAM du système. Sur un Mac M1, M2, M3 ou M4, processeur et puce graphique partagent le même pool de mémoire. Tout le modèle peut y résider sans copier les données d'un endroit à l'autre. Concrètement : un Mac de 32 Go offre plus de place pour le modèle qu'une carte graphique 16 Go, et un 64 Go dépasse les 48 Go d'une RTX 4090.

Les cœurs de calcul. Les GPU intégrés Apple (jusqu'à 40 cœurs sur les puces Max) sont conçus pour le calcul matriciel, qui est exactement ce qu'on demande à un modèle de langage pendant l'inferrence.

Combien de RAM il vous faut

RAM du Mac	Modèle confortable	Usage
8 Go	3B (Qwen 2.5 3B, Gemma 2B)	Tester, résumés courts
16 Go	7B–8B en Q4 (Llama 3.1 8B, Qwen 2.5 7B)	Chat, rédaction, code léger
24–32 Go	12B–14B (Mistral Small, Qwen 2.5 14B)	Usage quotidien confortable
48 Go et +	27B–32B (Qwen 2.5 32B)	Travaux sérieux, longs documents

Règle pratique : un modèle 8B en quantisation Q4_K_M pèse environ 4,7 Go de RAM. Laissez 4 à 8 Go de marge pour le système et les applications.

Installer Ollama sur Mac

Dans le terminal :

curl -fsSL https://ollama.com/install.sh | sh

ou via Homebrew :

brew install ollama

Puis téléchargez un modèle :

ollama pull llama3.1:8b
ollama run llama3.1:8b "Bonjour, présente-toi en français"

C'est tout. Ollama expose une API locale sur http://localhost:11434 au format compatible OpenAI : les outils comme Open WebUI, LM Studio ou Dify s'y connectent sans modification.

Quel modèle selon votre machine

• M1 / M2 8 Go — qwen2.5:3b ou gemma2:2b : corrects en français et en italien, idéaux pour tester.
• M1 Pro / M2 16 Go — llama3.1:8b ou qwen2.5:7b : le meilleur rapport qualité / simplicité pour la chat et la rédaction.
• M2 Pro / Max 32 Go — qwen2.5:14b ou mistral-small : nettement plus à l'aise sur la compréhension de documents.
• M3 / M4 Max 48–128 Go — qwen2.5:32b et au-delà.

Pour le français et l'italien, les familles Qwen, Llama et Mistral sont les plus homogènes. Testez deux modèles de la même taille sur vos propres documents avant de trancher.

Performances réalistes

Soyez honnêtes avec vos attentes. Un M1 Pro fait environ 8 à 12 tokens par seconde sur un 8B quantisé ; un M3 Max peut dépasser 50. C'est très différent d'une RTX 4090 (100 tokens/s et plus), mais pour la lecture c'est largement suffisant : un humain lit à environ 3 tokens par seconde. Le point faible est la latence de la première réponse : avec de longs documents (RAG), plus la bande passante mémoire est élevée, mieux c'est.

Bonnes pratiques

• Gardez le système à jour : Ollama améliore régulièrement le moteur MLX et les performances.
• Ne surchargez pas la RAM : un modèle trop grand qui "swappe" sur le disque devient inutilisable.
• Préférez la quantisation Q4_K_M au quotidien ; passez à Q5 ou Q6 seulement si vous avez la marge.

En résumé

Un Mac de 32 Go est aujourd'hui l'entrée de gamme la plus simple pour l'IA locale : installation en trois commandes, modèles de qualité en français et en italien, et tout reste sur votre machine. Commencez par ollama pull llama3.1:8b et jugez la différence sur vos propres documents.

Article généré par IA