Quel LLM sur Mac mini M4 / M4 Pro (16–64 Go) ?

#Mac mini M4 et LLM local : ce que la machine sait faire

Un Mac mini fait un bon serveur de LLM local parce que sa mémoire unifiée est partagée entre le processeur et le GPU, sans VRAM séparée. Deux chiffres décident de ce que vous pouvez en faire. La capacité (16 à 64 Go selon la puce) fixe la taille du modèle qui se charge : 7 à 12 milliards de paramètres sur 16 Go, 24 à 35 milliards sur 32 à 48 Go. La bande passante fixe la vitesse : 120 Go/s pour la puce M4, 273 Go/s pour la M4 Pro, d'après Apple. Un LLM relit ses poids à chaque token produit, donc le débit maximal vaut à peu près la bande passante divisée par la taille des poids. Sur un modèle 7B en Q4_0, le tableau public de llama.cpp donne 24,1 tokens/s pour un M4 et environ 50 pour un M4 Pro. Apple a présenté en août 2026 des Mac mini M6 et M5 Pro qui remplacent cette gamme ; le M4 se trouvait encore chez certains revendeurs fin août.

Mac mini M4

CPU 10 cœurs, GPU 10 cœurs, 120 Go/s, 16 Go de mémoire unifiée (24 ou 32 Go en option), Thunderbolt 4.

Mac mini M4 Pro

CPU 12 cœurs, GPU 16 cœurs (14 et 20 en option), 273 Go/s, 24 Go de mémoire (48 ou 64 Go en option), Thunderbolt 5.

Format et bruit

12,7 × 12,7 × 5,0 cm, 0,67 kg (M4) ou 0,73 kg (M4 Pro) ; 5 dBA au repos, selon Apple.

Consommation annoncée

M4 : 4 W au repos, 65 W au maximum. M4 Pro : 5 W et 140 W. Apple ne publie pas de valeur en inférence.

#Mac mini M4 ou M4 Pro : la bande passante tranche

Entre les deux puces, la vraie différence n'est pas la mémoire maximale (32 Go contre 64 Go) mais la bande passante, multipliée par 2,3 (273 ÷ 120). Dans le tableau de llama.cpp, le rapport mesuré est de 2,1 en génération (50,7 ÷ 24,1 en Q4_0) et de 2,0 en lecture du prompt (440 ÷ 221).

Le M4 suffit si

vous êtes seul, visez des modèles jusqu'à 12 milliards de paramètres (Qwen 3.5 9B, Gemma 4 12B) et acceptez une vingtaine de tokens/s au mieux. Prenez 24 Go pour garder un modèle d'embeddings chargé en plus.

Le M4 Pro s'impose si

vous visez des modèles de 14 à 27 milliards de paramètres, un MoE de 30 à 35 milliards (48 Go minimum), un agent de code ou plusieurs utilisateurs. Au-delà de 64 Go, il faut un Mac Studio.

#VRAM sur Mac mini : la mémoire unifiée et son plafond GPU

Un Mac mini n'a pas de VRAM séparée, mais le GPU ne peut pas utiliser toute la mémoire. D'après les utilisateurs de llama.cpp, le plafond par défaut est de deux tiers à trois quarts de la RAM ; au lancement, llama.cpp affiche la ligne recommendedMaxWorkingSetSize, qui donne la valeur réelle. Le réglage iogpu.wired_limit_mb vaut 0 par défaut, ce qui signifie « politique par défaut du système » et non « illimité ».

Le plafond doit contenir les poids, le cache KV (la mémoire du contexte, qui grandit avec la conversation) et les tampons de calcul. Pour charger un modèle qui frôle la limite, on relève le plafond : MLX conseille une valeur supérieure à la taille du modèle en mégaoctets, mais inférieure à la mémoire de la machine. Laissez plusieurs gigaoctets à macOS, sinon la vitesse s'effondre. Un sysctl manuel peut ne pas survivre à un redémarrage.

# Valeur actuelle : 0 = plafond par défaut du système
sysctl iogpu.wired_limit_mb

# 40 Go pour le GPU sur 48 Go de RAM (40 x 1024 = 40960 Mo)
sudo sysctl iogpu.wired_limit_mb=40960

#Quel modèle pour quelle mémoire : ce qui tient dans un Mac mini

Le tableau croise le poids des fichiers publiés par Ollama avec un plafond de deux tiers de la RAM (hypothèse prudente). « Oui » : les poids occupent moins de 70 % du plafond, il reste de la place au cache KV. « Juste » : ils tiennent, avec un contexte court. « Non » : ils débordent. Ce sont des calculs, pas des mesures.

#Mac mini M4 16 Go : les modèles à privilégier

Sur 16 Go, le plafond tourne autour de 11 Go. Qwen 3.5 9B (6,6 Go chez Ollama) laisse environ 4 Go au cache KV et aux tampons. Gemma 4 12B (7,6 Go) passe avec un contexte court. Un modèle de 14 Go comme Mistral Small 24B déborde : Ollama le répartit entre GPU et CPU et la vitesse chute. La commande ollama ps affiche la répartition ; visez 100 % GPU.

#Vitesse d'un Mac mini : plafond théorique et mesures publiées

Le débit de génération est limité par la bande passante : tokens par seconde ≈ bande passante (Go/s) ÷ poids lus à chaque token (Go). Ce calcul donne un plafond, jamais une mesure. Pour un modèle dense de 14 Go, 120 ÷ 14 donne 8,6 tokens/s au mieux sur un M4, et 273 ÷ 14 donne 19,5 sur un M4 Pro.

Les mesures publiées restent sous ce plafond. Voici celles du tableau que la communauté llama.cpp tient à jour pour les puces Apple, avec Llama 2 7B. Ce ne sont pas nos mesures et elles portent sur un ancien modèle en Q4_0 et Q8_0, mais elles donnent le rapport entre les puces.

Passer de Q8_0 à Q4_0 accélère la génération d'un facteur 1,8 sur M4 et 1,7 sur M4 Pro : la taille du fichier compte plus que le calcul. Les cœurs GPU pèsent surtout sur la lecture du prompt (364 contre 440 tokens/s sur M4 Pro). Le tableau ne contient aucune mesure M6 à la date de consultation.

#Mac mini M6 et M5 Pro : ce que la nouvelle gamme change pour un LLM

Apple annonce pour le Mac mini M6 jusqu'à 4,8 fois plus de vitesse de traitement du prompt dans LM Studio que le M4, et pour le M5 Pro jusqu'à 4 fois plus que le M4 Pro. Ces gains portent sur la lecture du prompt, qui profite des accélérateurs neuronaux ajoutés dans chaque cœur GPU. La génération reste dictée par la bande passante et gagne bien moins : de 12 % (307 contre 273 Go/s) à 42 % (170 contre 120 Go/s).

Un M6 de base à 153 Go/s n'a que 28 % de bande passante de plus que le M4 : le plafond théorique d'un 9B passe de 18 à 23 tokens/s environ. La nouvelle gamme profite surtout aux usages à long contexte : un RAG qui injecte de longs documents, un agent de code qui relit un dépôt.

Neuf, modèle de 30 à 35 milliards

Un M5 Pro avec 48 Go au minimum, 64 Go pour être à l'aise avec un MoE de 35 milliards : le M6 plafonne à 32 Go.

M4 encore en stock

Cohérent pour 7 à 12 milliards de paramètres si l'écart de prix avec le M6 est net. Ce stock est limité.

#Installer un serveur LLM sur un Mac mini avec Ollama

Ollama sur macOS fonctionne comme une application, dont les réglages passent par des variables d'environnement définies avec launchctl. Par défaut, Ollama n'écoute que sur 127.0.0.1, port 11434 : sans changement, aucun autre appareil ne peut l'utiliser.

1. 01
   Installer l'application Ollama

   Téléchargez Ollama depuis ollama.com et placez l'application dans Applications. Au premier lancement, elle propose de créer le lien de la commande ollama.
2. 02
   Ouvrir le port au réseau local

   Définissez OLLAMA_HOST avec launchctl (commande ci-dessous), puis relancez l'application. L'adresse 0.0.0.0 ouvre l'API à tout le réseau, sans authentification : réservez-la à un réseau de confiance.
3. 03
   Empêcher la veille

   Dans Réglages Système, section Énergie, activez l'option qui empêche la mise en veille automatique quand l'écran est éteint : sans elle, le service peut s'interrompre.
4. 04
   Télécharger un modèle adapté

   Prenez dans le tableau un modèle marqué « oui » pour votre mémoire, par exemple qwen3.5:9b sur 16 Go.
5. 05
   Vérifier depuis un autre appareil

   Envoyez une requête à l'adresse du Mac mini (nom .local ou IP), puis lancez ollama ps : la colonne Processor doit afficher 100 % GPU.

# Écoute sur tout le réseau local, puis relancer l'application Ollama
launchctl setenv OLLAMA_HOST "0.0.0.0:11434"

# Modèle pour 16 Go de mémoire
ollama pull qwen3.5:9b

# Test depuis un autre appareil (remplacez l'adresse)
curl http://mac-mini.local:11434/api/chat -d '{"model": "qwen3.5:9b", "messages": [{"role": "user", "content": "Bonjour"}], "stream": false}'

Deux réglages souvent recopiés sont inutiles ici : la documentation d'Ollama précise que Flash Attention s'active automatiquement quand le matériel le permet, et OLLAMA_ORIGINS concerne les extensions de navigateur. En revanche, quantifier le cache KV (OLLAMA_KV_CACHE_TYPE=q8_0) divise sa taille par deux environ pour une perte très faible, ce qui compte sur 16 Go quand le contexte s'allonge.

#LM Studio : l'alternative à Ollama

LM Studio demande une puce Apple Silicon, macOS 14 ou plus récent et 16 Go de RAM recommandés. Il charge les modèles GGUF comme MLX, depuis la version 0.3.4. Sans écran, son démon llmster se lance avec lms daemon up. L'option « Serve on Local Network » ouvre l'API au réseau ; l'authentification par jeton n'est pas activée par défaut. Le moteur MLX d'Ollama, présenté en préversion en mars 2026, exigeait plus de 32 Go : un M4 16 Go n'en profitait pas.

#Ce qu'un Mac mini sait servir : chat, RAG, agents, cluster

Serveur de chat maison

Les API d'Ollama et de LM Studio acceptent les clients au format OpenAI (Open WebUI, Zed, scripts). Posé près du routeur, le Mac mini sert toute la maison.

RAG documentaire

Il faut charger le modèle de génération et un modèle d'embeddings. nomic-embed-text pèse 274 Mo : sur 16 Go, il tient à côté de Qwen 3.5 9B.

Agent de code

Un agent envoie de longs prompts à chaque étape : la lecture du prompt compte plus que la génération, et c'est là que M6 et M5 Pro gagnent le plus.

#Combien d'utilisateurs simultanés ?

Ollama traite une requête à la fois par modèle par défaut (OLLAMA_NUM_PARALLEL vaut 1). Chaque requête parallèle agrandit le contexte alloué : selon la documentation, 4 requêtes avec un contexte de 2 000 tokens allouent 8 000 tokens. Mémoire du cache = cache d'une conversation × requêtes parallèles. Chacun reçoit sa réponse plus lentement ; aucune mesure fiable n'existe ici pour un nombre précis de personnes.

#Relier plusieurs Mac mini en cluster

Seul le M4 Pro offre Thunderbolt 5 (120 Gb/s) ; le M4 se limite à Thunderbolt 4 (40 Gb/s). Le projet exo prend en charge le RDMA sur Thunderbolt 5, qui réduirait de 99 % la latence entre machines, et dit faire accélérer les modèles à mesure qu'on ajoute des appareils, sous macOS 26.2 ou plus. Ses benchmarks portent sur des Mac Studio, pas sur des Mac mini. Un cluster sert d'abord à charger un modèle trop gros pour une machine.

• Partager Ollama sur son réseau local (famille, équipe)
• Sécuriser son serveur Ollama : authentification et reverse proxy
• Exo : transformer plusieurs machines en cluster LLM maison
• Optimiser son Mac Apple Silicon : plafond GPU, Flash Attention, KV cache
• Fiche matériel : Mac mini M6
• Fiche matériel : Mac mini M5 Pro

#Mac mini M4 ou MacBook Air M4 : même puce, autre usage

Le MacBook Air 13 pouces M4 utilise la même puce, avec la même bande passante (120 Go/s) et les mêmes options de 16, 24 ou 32 Go : le plafond de vitesse est identique. Ce qui change, c'est le châssis. L'ancienne version de ce guide chiffrait un ralentissement de 20 % de l'Air après dix minutes ; aucune source ne le confirme, et il est retiré. Pour un service allumé en continu, le Mac mini est le choix naturel ; pour un poste nomade (1,24 kg, écran et batterie inclus), le MacBook.

• Source : Apple, fiche technique du Mac mini (2024)
• Source : Apple, annonce des Mac mini M6 et M5 Pro (août 2026)
• Source : llama.cpp, performances sur puces Apple M-series
• Source : documentation Ollama, FAQ (variables d'environnement, cache KV)
• Source : documentation LM Studio, mode serveur sans interface

#Questions fréquentes