Quel LLM sur MacBook Air M1 (8 / 16 Go) ?

#MacBook Air M1 : ce que la machine offre vraiment pour un LLM

Pour un LLM local, le MacBook Air M1 se résume à trois chiffres : la mémoire unifiée (8 Go de série, 16 Go en option, jamais extensible après l'achat), la bande passante mémoire (de l'ordre de 68 Go/s) et l'absence de ventilateur. La mémoire décide de ce qui se charge, la bande passante décide de la vitesse de génération, et le refroidissement passif décide de la durée pendant laquelle cette vitesse tient.

Puce

Apple M1 (2020) : 8 cœurs CPU (4 performance, 4 efficacité), 7 ou 8 cœurs GPU selon la configuration, Neural Engine à 16 cœurs, d'après la fiche technique d'Apple.

Mémoire

8 Go de mémoire unifiée, configurable à 16 Go. Le CPU et le GPU puisent dans le même réservoir : il n'existe pas de VRAM séparée à additionner.

Bande passante

Apple ne la publie pas dans la fiche M1. Elle annonce en revanche 100 Go/s pour le M2, soit 50 % de plus que le M1 : cela place le M1 vers 67-68 Go/s, chiffre habituellement cité (LPDDR4X).

Refroidissement

Aucun ventilateur : Apple présente le MacBook Air M1 comme entièrement silencieux, quelle que soit la tâche. Le revers est thermique, voir plus bas.

Batterie

Batterie de 49,9 Wh ; l'inférence soutenue la vide bien plus vite que la navigation web sur laquelle Apple fonde ses 15 heures annoncées.

La machine n'a plus été vendue neuve par Apple depuis longtemps ; on la trouve d'occasion, et les tarifs varient trop pour figurer ici. Les pages matériel du site (/materiel-ia) donnent des repères actuels si vous hésitez entre un Air d'occasion et une machine plus récente. Le Mac mini de 2020 embarque la même puce M1 et subit les mêmes plafonds de mémoire et de bande passante ; il ajoute un ventilateur, donc une vitesse soutenue plus stable.

#8 Go ou 16 Go : ce que la RAM ouvre et ferme

Avec 8 Go, le système, le navigateur et vos applications se partagent déjà le même espace que le modèle. Il reste de l'ordre de 4 à 5 Go pour un LLM, contexte compris : c'est une estimation de bon sens, pas une mesure, puisque macOS ajuste sa propre consommation. Avec 16 Go, la marge passe autour de 10 à 11 Go, ce qui ouvre la porte aux modèles de 8 à 9 milliards de paramètres.

Le classement de la dernière ligne ne dépend pas de la vitesse mais d'une frontière dure : un modèle de 14 Go ne rentre pas dans 16 Go une fois le système chargé. Si vous hésitez sur la taille exacte d'un modèle, le calculateur VRAM du site donne l'empreinte en fonction de la quantification et du contexte.

#Quels modèles choisir, selon l'usage

Le M1 se juge à la taille du modèle, pas à sa marque. Sur 8 Go, visez un 3B ou un 4B en Q4_K_M : résumé de texte, réécriture, questions-réponses sur un extrait, code simple. Sur 16 Go, un modèle de 8 à 9 milliards de paramètres offre un net gain de justesse et de tenue sur les consignes longues, au prix d'une génération plus lente. Les noms de modèles évoluent chaque mois : l'essentiel est de retenir la classe de taille et de regarder le catalogue du site pour l'état actuel.

Rédaction, résumé, traduction

Un 4B sur 8 Go, un 8-9B sur 16 Go. La qualité de rédaction en français dépend plus de la famille de modèle que de la taille : testez deux candidats sur vos propres textes.

Code

Un 4B suffit pour des fonctions courtes et des explications ; pour un projet entier, la mémoire du Air M1 impose des contextes courts, donc un assistant de code local reste limité.

Documents et RAG

Un embedder léger plus un modèle de génération de 4B (8 Go) ou 8-9B (16 Go). Le contexte injecté consomme de la mémoire : gardez peu de passages, bien choisis.

Vision

Les modèles multimodaux ajoutent l'encodeur d'image à la mémoire du modèle. Sur 8 Go, réservez-les aux petites tailles ; sur 16 Go, ils tournent mais lentement.

#Combien de tokens par seconde : le plafond théorique

Pendant la génération, le processeur relit à peu près tous les poids actifs du modèle pour chaque token produit. La vitesse maximale est donc plafonnée par la bande passante divisée par la taille des poids. Sur un M1 à environ 68 Go/s, un modèle qui pèse 5 Go ne peut pas dépasser environ 13 tokens par seconde, quels que soient les cœurs GPU disponibles. C'est un plafond calculé, pas une mesure : la vitesse réelle est plus basse, car le calcul, le cache KV et le système consomment aussi de la bande passante.

Ce calcul sert de filtre. Toute promesse de plus de 30 tokens par seconde sur un modèle de 8 milliards de paramètres en Q4 sur M1 est physiquement incompatible avec la bande passante, sauf modèle mélangeant des experts dont seule une fraction est active. Pour des mesures réelles, consultez la page /benchmarks du site et les benchmarks publiés par des tiers, en vérifiant la puce, la quantification et le moteur utilisés.

#Installer et vérifier en quelques minutes

Ollama est la voie la plus simple : il installe le moteur, télécharge les modèles et détecte le GPU du Mac sans configuration. Les modèles se stockent dans ~/.ollama/models sur macOS : comptez plusieurs gigaoctets par modèle et gardez cela en tête sur un SSD de 256 Go.

1. 01
   Installer Ollama

   Téléchargez l'application sur ollama.com, ou passez par Homebrew avec la commande ci-dessous. Le guide d'installation macOS du site détaille le démarrage automatique.
2. 02
   Lancer un modèle adapté à la RAM

   Sur 8 Go, un 4B ; sur 16 Go, un 8-9B. Le premier lancement télécharge le modèle, les suivants sont immédiats.
3. 03
   Vérifier que le GPU travaille

   Dans un second terminal, tapez ollama ps : la colonne PROCESSOR doit indiquer 100 % GPU. Une répartition CPU/GPU signale que le modèle déborde de la mémoire réservée au GPU.
4. 04
   Fixer le contexte

   Ollama choisit un contexte par défaut selon la mémoire disponible ; sous 24 Go, c'est 4 000 tokens. Augmentez-le seulement si vous en avez besoin : chaque token de contexte pèse en mémoire.

brew install --cask ollama
ollama run qwen3.5:4b
ollama ps

LM Studio est l'alternative avec interface graphique complète, utile si le terminal vous rebute. Il consomme un peu plus de mémoire qu'Ollama seul, ce qui compte sur 8 Go. MLX, le framework d'Apple, exploite la mémoire partagée du Mac sans copie entre CPU et GPU ; les réglages MLX et llama.cpp relèvent du guide d'optimisation macOS.

#Le contexte long, piège des 8 Go

Le poids du modèle n'est qu'une partie de la mémoire. À chaque token de contexte s'ajoute une entrée dans le cache KV, qui grandit avec la longueur de la conversation. Ollama utilise l'attention flash automatiquement quand le moteur et le matériel le permettent, ce qui limite cette croissance. Il propose aussi de quantifier le cache KV via la variable OLLAMA_KV_CACHE_TYPE, dont le défaut est f16. Sur un Air M1 de 8 Go, cette option peut faire la différence entre un contexte de 4 000 tokens et un contexte de 8 000, au prix d'une légère perte de précision.

# Quantifier le cache KV en q8_0 avant de démarrer le serveur
export OLLAMA_KV_CACHE_TYPE=q8_0
export OLLAMA_FLASH_ATTENTION=1
ollama serve

Le guide sur la quantification du cache KV explique quand cette option vaut la peine. La règle pratique : sur 8 Go, gardez le contexte court et injectez seulement les passages utiles ; sur 16 Go, un contexte de 8 000 tokens reste raisonnable avec un modèle de 8-9B.

#La chauffe d'un Air sans ventilateur

Sans ventilateur, le MacBook Air M1 évacue sa chaleur par le châssis. En usage bref (une question, une réponse), rien à signaler. En usage soutenu, comme un traitement par lot de plusieurs dizaines de minutes ou de l'indexation de documents, la puce réduit sa fréquence pour se protéger : la vitesse baisse sans que la machine s'arrête. Cette page n'annonce aucun seuil en minutes ou en degrés : cela dépend de la pièce et de la charge, et aucune source fiable ne le fixe.

Surélever la machine

Un support d'ordinateur améliore la circulation de l'air sous le châssis.

Fermer les applications lourdes

Navigateurs chargés et applications de visioconférence consomment du processeur en parallèle et chauffent la même puce.

Préférer un modèle plus petit au lieu de Q8

Moins de mémoire à relire, moins d'énergie dépensée par token.

Brancher le secteur pour les longues tâches

Sur batterie, macOS peut brider davantage les performances. Cela dépend du mode d'énergie choisi dans les réglages.

#Limites et signaux pour passer à une autre machine

Le M1 n'est pas éliminé par l'âge mais par la mémoire. Les critères qui doivent vous faire regarder ailleurs sont simples et mesurables.

Vous voulez un modèle de plus de 12B

Aucune configuration M1 Air ne le contient confortablement. Regardez le MacBook Air M4 (32 Go possibles) ou un MacBook Pro Pro/Max.

Vous travaillez sur de gros documents

Le contexte long sature la mémoire avant la puissance de calcul. Plus de RAM est le seul remède réel.

Vous lancez des traitements de plusieurs heures

Un Mac mini, qui a un ventilateur, ou un PC fixe tient mieux la charge continue.

Le fine-tuning vous intéresse

Un Air M1 n'est pas dimensionné pour cela ; préférez un service cloud ponctuel.

• MacBook Air M2 : 24 Go et 100 Go/s de bande passante
• MacBook Air M4 : jusqu'à 32 Go de mémoire
• Installer Ollama sur macOS, pas à pas
• Quantifier le cache KV pour gagner de la mémoire
• Quel LLM pour 8 Go de mémoire
• Calculateur VRAM du site

• Source : fiche technique Apple du MacBook Air M1
• Source : Apple, annonce de la puce M2 (bande passante)
• Source : documentation Ollama, longueur de contexte
• Source : FAQ Ollama, GPU, KV cache et attention flash

#Questions fréquentes