Par où commencer pour faire tourner et entraîner l’IA sur votre propre ordinateur?

Commencez par faire tourner un modèle ouvert déjà entraîné avec un outil gratuit comme Ollama ou llama.cpp, parce que cela vous montre ce que votre mémoire permet avant de dépenser quoi que ce soit. Entraînez ensuite quelque chose de petit que vous pouvez observer, testez-le honnêtement, et seulement après, adaptez un modèle ouvert à votre propre tâche. La mémoire décide presque tout, et l’entraînement exige plusieurs fois la mémoire nécessaire pour faire tourner un modèle.

Par où commencer pour faire tourner et entraîner l’IA sur votre…

Faire tourner un modèle d’IA sur votre ordinateur et en entraîner un sont deux tâches différentes. Faire tourner un modèle (on parle aussi d’inférence), c’est charger un modèle que quelqu’un d’autre a entraîné et lui poser des questions. Entraîner, c’est modifier les nombres d’un modèle, ses paramètres, jusqu’à ce qu’il accomplisse mieux une tâche. Faire tourner un modèle demande de la place pour celui-ci. L’entraîner demande plusieurs fois cette place. Cette page place les articles du guide sur ces deux sujets dans un ordre logique et répond à la question qu’on se pose d’abord : que permet ma machine?

Étape 1 : faire tourner un modèle avant d’acheter quoi que ce soit

La façon la plus rapide de savoir ce que votre ordinateur peut faire, c’est d’y faire tourner un modèle ouvert déjà prêt. Des outils gratuits font le gros du travail :

Qu’est-ce qu’Ollama? présente l’outil à une seule commande par lequel la plupart des gens commencent.
Qu’est-ce que llama.cpp? présente le programme sur lequel reposent Ollama et bien d’autres applications.
Que veulent dire Q4_K_M, GGUF, MXFP4 et FP8? vous indique quel fichier télécharger. Pour la plupart des gens, un fichier Q4_K_M est le choix sûr par défaut.
De combien de mémoire un modèle d’IA a-t-il besoin? donne la règle de base : le nombre de paramètres en milliards, multiplié par le nombre de bits par poids, divisé par 8, donne la taille du fichier en gigaoctets. Ajoutez ensuite de la place pour la conversation et le système d’exploitation.

Exemple concret : un modèle de 27 milliards de paramètres en format Q4_K_M, que le projet llama.cpp mesure à environ 4,9 bits par poids, occupe 27 × 4,9 ÷ 8 ≈ 16,5 Go de poids, avant que la conversation et le système prennent leur part. C’est pourquoi les meilleurs modèles de programmation ouverts qu’on peut faire tourner chez soi pèsent environ 18 Go au téléchargement et demandent une carte graphique de 24 Go ou un ordinateur doté de beaucoup de mémoire unifiée.

Une fois qu’un modèle tourne, Comment transformer un modèle local en serveur pour vos applications? montre comment d’autres programmes peuvent lui parler, et Quelle IA peut vraiment tourner sur votre téléphone en 2026? couvre les plus petits appareils.

Étape 2 : comprendre pourquoi l’entraînement exige autant de mémoire

L’entraînement garde plus de choses en mémoire que l’inférence : un gradient pour chaque paramètre, les copies supplémentaires de l’optimiseur et les résultats intermédiaires nécessaires pour remonter le réseau à l’envers. Pourquoi un modèle peut-il entrer sur votre machine sans qu’il soit possible de l’entraîner? l’a mesuré sur un modèle de 135 millions de paramètres : l’entraînement complet a pris 5,1 fois la mémoire de l’inférence, et un adaptateur LoRA (un petit ensemble de nombres supplémentaires entraîné par-dessus un modèle figé) a réduit le sommet des deux tiers. Ce rapport explique pourquoi la plupart des gens adaptent les modèles avec LoRA ou QLoRA plutôt que d’entraîner chaque paramètre.

Alors, que peut faire une machine de 24 Go?

Le tableau résume ce que rapportent les articles du guide. Les tailles de mémoire désignent ce que le processeur graphique peut réellement utiliser; sur les ordinateurs à mémoire partagée, c’est moins que la quantité installée. Les minimums d’entraînement viennent de la documentation d’Unsloth, une bibliothèque ouverte d’ajustement fin, et augmentent avec des exemples plus longs.

Mémoire	Fait bien tourner	Entraîne ou adapte
8 à 16 Go	De petits modèles d’environ 1 à 8 milliards de paramètres	La plupart des articles de la série sur l’entraînement ci-dessous; des adaptateurs QLoRA sur des modèles jusqu’à environ 8 milliards de paramètres (6 Go au minimum pour 8 milliards)
24 à 32 Go	Des modèles de taille moyenne, dont les meilleurs modèles de programmation actuels de 27 à 30 milliards de paramètres en 4 bits	LoRA en 16 bits jusqu’à environ 8 milliards de paramètres (22 Go au minimum); QLoRA jusqu’à environ 27 milliards (22 Go au minimum)
64 à 128 Go	Des modèles de plus de 100 milliards de paramètres à 128 Go	LoRA en 16 bits jusqu’à environ 27 milliards de paramètres (64 Go au minimum); l’entraînement complet de grands modèles exige encore de louer des GPU

Sources des lignes : De quel matériel avez-vous besoin pour faire tourner des modèles d’IA à la maison?, Quel matériel acheter pour faire tourner l’IA à la maison à la fin de 2026? et Comment faire vous-même l’ajustement fin d’un petit modèle ouvert? Vérifiez votre propre cas avec la règle de mémoire ci-dessus avant d’acheter quoi que ce soit : la vitesse de la mémoire et les logiciels que vous comptez utiliser comptent aussi, comme l’explique Mac ou PC avec carte graphique.

À essayer : Installez Ollama, téléchargez un petit modèle, posez-lui trois questions dont vous connaissez la réponse et notez la mémoire qu’affiche votre moniteur système pendant qu’il répond. Ce chiffre, comparé à votre mémoire totale, vous indique la place qui reste pour de plus gros modèles.

Étape 3 : la série sur l’entraînement, dans l’ordre

Ces quatorze articles s’appuient les uns sur les autres. Chacun a été exécuté sur une vraie machine et rapporte ce qui a été mesuré, y compris ce qui a échoué. La plupart tournent sur un portable ordinaire.

Une leçon traverse toute la série : un score ne vaut quelque chose que si le test était honnête. L’article 4 montre une erreur de données courante qui rapporte une exactitude de 84 % sur des nombres purement aléatoires, alors que la réponse honnête était de 51 %.

Étape 4 : adapter des modèles ouverts et bâtir le vôtre

Une fois la série terminée, ces articles couvrent l’adaptation de vrais modèles ouverts et, pour les curieux, la construction d’un modèle à partir de zéro :

Faut-il préentraîner un modèle, faire un ajustement fin ou utiliser le RAG, une fois les vrais coûts comptés? Pour presque toute tâche pratique : le RAG (donner vos documents au modèle) pour les faits qui changent, l’ajustement fin pour un comportement constant.
Comment faire l’ajustement fin d’un modèle à poids ouverts avec LoRA? et Comment faire vous-même l’ajustement fin d’un petit modèle ouvert?
Comment savoir si un modèle de langage que vous avez entraîné est bon?
Comment bâtir votre propre modèle de langage, et quelle voie convient à votre objectif et à votre budget?, avec la préparation d’un jeu de données, la construction d’un découpeur en jetons et l’entraînement d’un tout petit modèle de langage à partir de zéro.
Comment entraîner un petit modèle de langage sur un GPU loué, étape par étape? et Combien coûte réellement l’entraînement d’un modèle de langage en 2026?

Étape 5 : le matériel, seulement quand vous savez ce qu’il vous faut

Achetez d’abord en fonction de la mémoire, et seulement après avoir fait tourner des modèles sur ce que vous possédez déjà :

Que peut vraiment faire tourner et entraîner une machine de 24 Go de mémoire?

Elle fait bien tourner les modèles ouverts de taille moyenne, dont les meilleurs modèles de programmation qu’on peut faire tourner chez soi, dans leurs versions de 4 bits d’environ 18 Go. Elle peut adapter des modèles ouverts avec QLoRA jusqu’à environ 27 milliards de paramètres, ou avec LoRA en 16 bits jusqu’à environ 8 milliards, ce qui est la façon dont la plupart des gens enseignent à un modèle un format, un style ou un ensemble d’outils. Elle ne peut pas entraîner complètement un grand modèle : l’entraînement complet exige plusieurs fois la mémoire de l’inférence, si bien qu’un vrai préentraînement suppose de louer des GPU à l’heure, et l’article sur les coûts montre ce que cela représente. Avant de conclure qu’une plus grosse machine est la solution, faites les quatre vérifications peu coûteuses de Comment diagnostiquer un entraînement raté avant d’acheter une plus grosse machine? : sur les neuf modèles brisés testés, plus de GPU n’en aurait réparé aucun.