De combien de RAM avez-vous besoin pour un LLM local sur Mac ?

Publié le 2 novembre 2026 · 3 min de lecture

Un Mac n’a pas de mémoire vidéo séparée. Le CPU et le GPU partagent un seul pool de mémoire unifiée, et un LLM local doit y tenir avec macOS et vos autres applications. C’est pourquoi la RAM, et non le nom de la puce, est la première chose à vérifier quand on choisit un Mac pour l’IA locale.

Ce qui occupe la mémoire

Trois éléments s’additionnent au chargement d’un modèle :

Les poids. Environ paramètres × bits par poids ÷ 8. Un modèle 8B en 4 bits pèse 4,5 à 5 Go. Un 70B en 4 bits, environ 40 Go. En 8 bits, le double.
Le cache KV. Le modèle conserve les clés et valeurs de chaque token de la conversation pour ne pas les recalculer. Il croît linéairement avec le contexte : un court échange ne coûte presque rien, alors qu’un contexte de 128 000 tokens peut ajouter plusieurs gigaoctets sur un gros modèle.
Tampons et surcoût. Tampons de calcul, l’application elle-même (Ollama, LM Studio, llama.cpp, MLX) et macOS. Prévoyez un à deux gigaoctets.

Toute la RAM n’est pas disponible pour le GPU

macOS limite la quantité de mémoire unifiée que le GPU peut réserver. En règle générale, c’est un peu plus des deux tiers de la RAM sur les petites configurations et environ les trois quarts sur les grandes. Un Mac de 16 Go offre donc environ 10 à 11 Go au modèle, pas 16. Les utilisateurs avancés peuvent relever la limite, mais le système a alors moins de marge et peut devenir instable : c’est un dernier recours.

Repères de RAM

Ces chiffres sont approximatifs, pour des modèles quantifiés en 4 bits et un contexte modéré. Prenez-les comme point de départ, pas comme garantie.

Mémoire unifiée	Utilisable par le GPU	Taille de modèle confortable
16 Go	~10–11 Go	jusqu’à ~8B
24 Go	~16 Go	jusqu’à ~14B
32 Go	~22 Go	~14B avec long contexte, ou modèles de classe ~30B
64 Go	~48 Go	classe 70B en 4 bits
128 Go et plus	~96 Go et plus	grands modèles mixture-of-experts, 70B en 8 bits

Les modèles mixture-of-experts (MoE) font exception à « taille égale vitesse » : tous les experts doivent tenir en mémoire, il faut donc autant de RAM que leur taille totale, mais chaque token ne lit que les experts actifs, ce qui les rend plus rapides qu’un modèle dense de même taille.

Quantification et contexte : vos leviers

Si un modèle dépasse de peu, deux solutions simples : choisir une quantification plus basse (4 bits au lieu de 8 divise les poids par deux pour une perte de qualité modérée) ou réduire la fenêtre de contexte. Les deux sont visibles dans le calculateur, qui affiche la répartition exacte entre poids, cache KV et tampons pour le modèle et le Mac choisis.

En bref

Choisissez d’abord le modèle, puis la RAM. La mémoire est la seule chose qu’on ne peut pas ajouter plus tard.
Multipliez par 0,65–0,75 pour voir ce que le GPU peut réellement utiliser.
Gardez de la marge pour le contexte : les longs documents et les agents en ont besoin.