# Quels modèles de programmation ouverts pouvez-vous faire tourner sur votre propre ordinateur?

Date: 2026-10-28 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/modeles-programmation-ouverts-chez-soi/

**Answer:** En octobre 2026, les deux meilleurs modèles de programmation qui tiennent sur une seule machine à la maison sont Qwen3.8-27B, d’Alibaba, et Muse Glimmer-30B, de Meta, tous deux sous la licence permissive Apache 2.0. Dans leurs versions 4 bits habituelles, chacun représente un téléchargement d’environ 18 Go : il vous faut une carte graphique de 24 Go de mémoire ou un ordinateur doté de beaucoup de mémoire unifiée, comme un Mac récent.

Un modèle à **poids ouverts** est un modèle dont vous pouvez télécharger les fichiers entraînés pour les faire tourner sur votre propre matériel, sans compte, sans facture par jeton et sans que votre code quitte votre machine. En programmation, c’est important si vous travaillez sur du code privé, si vous voyagez sans connexion fiable ou si vous voulez simplement apprendre de près comment ces systèmes se comportent.

Le hic, c’est la taille. Les modèles en tête des classements de programmation sont seulement hébergés, et les plus grosses versions ouvertes exigent des baies de serveurs. Mais une catégorie intermédiaire, autour de 27 à 30 milliards de **paramètres** (les nombres qu’un modèle apprend pendant l’entraînement), tient maintenant sur une seule bonne machine à la maison et s’acquitte de vraies tâches de programmation.

## Les deux meilleurs choix cet automne

| | Qwen3.8-27B | Muse Glimmer-30B |
|---|---|---|
| Créateur | L’équipe Qwen d’Alibaba | Meta |
| Sortie | Août 2026 | Août 2026 |
| Licence | Apache 2.0 | Apache 2.0 |
| Taille | 27 milliards de paramètres | Environ 29,6 milliards de paramètres |
| Téléchargement dans Ollama (4 bits) | 18 Go | 18 Go |
| Contexte lisible | 262 144 jetons nativement | 131 072 jetons |
| Entrée | Texte et images | Texte et images |
| SWE-bench Pro (chiffre du créateur) | 61,7 % | 51,2 % |

**SWE-bench Pro** est un test composé de vraies corrections de bogues et de vraies fonctions dans des projets à code source ouvert. Les deux chiffres viennent des créateurs, et la fiche de Qwen montre Qwen3.8-27B devant Glimmer à plusieurs tests de programmation; Qwen le place même au-dessus d’un ancien modèle Claude, Opus 4.6, à ce test. Voyez-y des signes prometteurs, pas une preuve, et vérifiez-les sur votre propre code.

Apache 2.0 est une licence permissive : vous pouvez utiliser l’un ou l’autre modèle au travail, le modifier et l’intégrer à des produits, à condition de conserver l’avis de licence.

## En démarrer un avec Ollama

**Ollama** est un outil gratuit qui télécharge des modèles et les fait tourner sur votre ordinateur derrière une commande simple. Une fois l’outil installé, deux commandes vous donnent un environnement de programmation fonctionnel :

```bash
# Télécharger (environ 18 Go) et clavarder avec Qwen3.8 27B
ollama run qwen3.8

# Ou démarrer un agent de programmation qui utilise le modèle local
ollama launch claude --model qwen3.8
```

La deuxième ligne, présentée sur la page du modèle dans Ollama, démarre Claude Code avec le modèle local à la place des serveurs d’Anthropic; la même page propose aussi OpenCode. Remplacez par `muse-glimmer` pour essayer le modèle de Meta. Si vous préférez llama.cpp pour Glimmer, la fiche de Meta précise qu’il faut la version b10353 ou plus récente.

Donnez-lui ensuite une tâche que vous pouvez vérifier :

```prompt
Lis src/cart.py et tests/test_cart.py. Ajoute une fonction qui applique un rabais en pourcentage au total du panier, arrondi à deux décimales. Écris trois tests pour cette fonction, dont un rabais de 0 % et un de 100 %, lance-les et montre-moi le diff.
```

> **À essayer :** lancez le prompt ci-dessus avec Qwen3.8 et avec Muse Glimmer sur le même petit projet, et notez lequel réussit ses propres tests en premier et combien de temps chacun a pris sur votre machine.

Les modèles locaux sont plus lents que les modèles hébergés et font plus d’erreurs sur le travail long en plusieurs étapes : commencez donc par des tâches ciblées, une fonction, un fichier de tests, un bogue. Les deux modèles réfléchissent avant de répondre par défaut; Qwen vous permet de désactiver cette réflexion requête par requête quand vous voulez des réponses rapides.

## De quel matériel avez-vous vraiment besoin?

La règle est simple : le fichier du modèle doit tenir dans la mémoire de votre carte graphique, ou dans la **mémoire unifiée** partagée d’un Mac à puce Apple, avec de l’espace en réserve pour la conversation. Cet espace contient le **contexte**, le code et les messages que le modèle lit, et les longs contextes en prennent beaucoup.

| Votre machine | À quoi vous attendre |
|---|---|
| 16 Go de mémoire graphique ou unifiée | Trop peu pour ces versions de 18 Go; prenez un modèle plus petit ou un modèle hébergé |
| Carte graphique de 24 Go | La cible de la version de 16,8 Go de Glimmer; la version de 18 Go de Qwen y tient avec un contexte modeste |
| Carte graphique de 32 Go | De la place pour la version de 19,7 Go de Glimmer, de meilleure qualité, et des contextes plus longs |
| Mac avec beaucoup de mémoire unifiée | Ollama propose des versions MLX pour les puces Apple, de la même taille de 18 Go |
| 64 Go ou plus | Assez pour les versions en pleine précision : la version bf16 de Qwen fait 56 Go |

Les versions **4 bits** stockent chaque paramètre sur environ un demi-octet au lieu de deux, ce qui permet à un modèle de 27 milliards de paramètres de descendre à environ 18 Go. Meta affirme que ses versions 4 bits de Glimmer perdent peu ou pas de précision sur les tâches d’agent; pour Qwen, jugez-en vous-même sur vos propres tâches.

Ce qui ne tiendra pas à la maison, ce sont les géants. Le Muse Spark Open de Meta, par exemple, compte 816 milliards de paramètres, ce qui représente environ 400 Go de poids même à un demi-octet chacun, un travail pour des cartes graphiques de centre de données. Pour ceux-là, une API hébergée est la voie pratique.

Si vous achetez du matériel dans ce but, la mémoire compte plus que la vitesse brute. Une carte ou un Mac avec plus de mémoire fait tourner de plus gros modèles et de plus longs contextes; une puce plus rapide avec trop peu de mémoire ne peut tout simplement pas les charger.

## Sources

- Qwen/Qwen3.8-27B: https://huggingface.co/Qwen/Qwen3.8-27B
- qwen3.8 - Ollama library: https://ollama.com/library/qwen3.8
- Muse Glimmer Model Card (meta-models/Muse-Glimmer-30B-GGUF): https://huggingface.co/meta-models/Muse-Glimmer-30B-GGUF/blob/43c7eadd4135/README.md