Quel LLM sur MacBook Air M4 (16 / 24 / 32 Go) ?

#MacBook Air M4 : 120 Go/s et jusqu'à 32 Go de mémoire

Le MacBook Air M4 est le premier Air à démarrer à 16 Go de mémoire unifiée et à pouvoir monter à 32 Go, avec une bande passante de 120 Go/s. Pour un LLM, ces deux chiffres comptent plus que le nombre de cœurs : la mémoire fixe la taille du modèle qui se charge, la bande passante fixe sa vitesse maximale. À 120 Go/s, un modèle de 8 milliards de paramètres en Q4 ne dépasse pas 24 tokens par seconde en théorie ; la vitesse réelle est plus basse.

Puce

Apple M4 : CPU à 10 cœurs (4 performance, 6 efficacité), GPU à 8 ou 10 cœurs, Neural Engine à 16 cœurs, d'après la fiche technique d'Apple.

Mémoire

16 Go de série, configurable à 24 ou 32 Go. Elle est soudée : la configuration se choisit à l'achat.

Bande passante

120 Go/s, selon la fiche Apple, soit 20 % de plus que les 100 Go/s de l'Air M3.

Neural Engine

Apple annonce jusqu'à 38 000 milliards d'opérations par seconde pour le M4. Les moteurs courants (Ollama, llama.cpp) s'exécutent surtout sur le GPU via Metal ; ce chiffre ne se traduit donc pas en tokens par seconde.

Refroidissement

Sans ventilateur : la chaleur s'évacue par le châssis, ce qui limite les charges très longues.

Il n'y a pas de VRAM séparée sur un Mac : le GPU utilise la mémoire unifiée. Quand on cherche « VRAM du MacBook Air M4 », la réponse pratique est la mémoire totale moins la part réservée au système, dans la limite que macOS autorise au GPU. Cette limite se règle ; le guide d'optimisation macOS du site explique comment et à quels risques.

#16, 24 ou 32 Go : choisir sa mémoire

Le modèle, son contexte et le système se partagent la mémoire. Les marges ci-dessous sont des estimations prudentes à recouper avec la pression mémoire du Moniteur d'activité : de l'ordre de 11 à 12 Go pour un modèle sur 16 Go, 17 à 19 Go sur 24 Go, 24 à 26 Go sur 32 Go. Le poids des modèles suit les repères du site : 8B environ 5 Go, 14B environ 9 Go, 24B environ 14 Go, 32B environ 19 à 20 Go en Q4.

La question est donc de savoir quelle taille vous voulez viser. Si vous vous limitez à des modèles de 8 à 12 milliards de paramètres, 16 Go suffit. Pour du 24B ou pour un RAG avec embedder et reranker en parallèle, 24 Go est le premier palier confortable. À 32 Go, vous gagnez surtout du contexte long et des MoE de 30B.

#La vitesse maximale à 120 Go/s

Le principe : chaque token généré force la lecture des poids actifs. Le plafond est la bande passante divisée par le poids en gigaoctets. Le tableau applique cette formule au M4 (120 Go/s). Ce sont des plafonds calculés, pas des mesures : la vitesse réelle dépend du moteur, de la quantification, du contexte et de la température de la puce.

Deux conséquences pratiques. Un 8B en Q4 ne dépassera pas environ 24 tokens par seconde sur cette puce : un chiffre annoncé de 34 tokens par seconde pour ce modèle est impossible sans autre technique. Et un 24B dense reste autour de 8 tokens par seconde au mieux, soit la vitesse d'une lecture attentive : confortable pour un texte posé, lent pour un agent qui enchaîne les appels. Pour des mesures réelles, consultez /benchmarks et des tiers qui précisent la puce et la quantification.

#M4 ou M5 : la génération suivante change-t-elle la donne ?

Apple propose désormais un MacBook Air M5. Sa fiche annonce 153 Go/s de bande passante, contre 120 Go/s pour le M4, soit environ 28 % de plus, avec les mêmes options de 16, 24 ou 32 Go de mémoire. Pour un LLM limité par la bande passante, l'écart théorique de vitesse maximale est du même ordre : un 8B en Q4 passerait d'environ 24 à environ 30 tokens par seconde au plafond.

La mémoire, elle, ne change pas : un Air M5 16 Go n'ouvre pas plus de modèles qu'un Air M4 16 Go. Si vous trouvez un M4 configuré à 24 ou 32 Go, il vaut mieux qu'un M5 16 Go pour la taille des modèles ; à mémoire égale, le M5 gagne en vitesse. Comparez les tarifs actuels en magasin, ils bougent trop pour figurer ici.

#Installer et choisir son moteur

1. 01
   Installer Ollama

   Téléchargez-le sur ollama.com ou avec Homebrew. Le guide d'installation macOS détaille le démarrage automatique.
2. 02
   Lancer un modèle selon la mémoire

   9B sur 16 Go, 24B en Q4 sur 24 Go, un MoE de 30B sur 32 Go. Le premier lancement télécharge le modèle.
3. 03
   Vérifier le GPU

   ollama ps affiche la répartition CPU/GPU dans la colonne PROCESSOR : tout sur le GPU est l'état attendu.
4. 04
   Régler le contexte

   Ollama fixe le contexte par défaut à 4 000 tokens sous 24 Gio de mémoire. Augmentez-le selon le besoin réel ; le cache KV grossit avec lui.

brew install --cask ollama
ollama run qwen3.5:9b
ollama ps

MLX, le framework d'Apple, exploite la mémoire partagée du Mac sans copier les données entre CPU et GPU ; LM Studio le propose sous forme de modèles MLX. Les deux voies fonctionnent : Ollama pour la simplicité et l'API locale, MLX et LM Studio pour explorer les formats Apple. Le guide MLX contre llama.cpp compare les deux approches, sans qu'il faille répéter ses conclusions ici.

#Contexte long et limite de mémoire GPU

Le modèle n'est qu'une partie de la facture mémoire : chaque token de contexte ajoute une entrée au cache KV, et la mémoire réellement disponible pour le GPU est plafonnée par macOS. Ollama utilise l'attention flash automatiquement quand le moteur et le matériel le permettent, et permet de quantifier le cache KV avec la variable OLLAMA_KV_CACHE_TYPE (f16 par défaut). Sur 16 Go, ce réglage sépare souvent un contexte court d'un contexte de plusieurs milliers de tokens.

Côté MLX, le dépôt mlx-lm indique qu'un modèle qui tient en mémoire peut souvent être accéléré en relevant la limite de mémoire câblée du système, via un réglage sysctl. C'est une modification système : elle demande les droits administrateur, ne survit pas forcément à un redémarrage et peut déstabiliser la machine si la valeur est trop haute. Le guide d'optimisation macOS en détaille la procédure et la valeur raisonnable selon la mémoire ; ne la modifiez pas sans l'avoir lu.

export OLLAMA_KV_CACHE_TYPE=q8_0
export OLLAMA_FLASH_ATTENTION=1
ollama serve

#Air M4, MacBook Pro ou Mac mini : qui pour quel usage

L'Air M4 gagne sur la légèreté et le silence, mais il n'a pas de ventilateur : une charge longue fait baisser la fréquence de la puce. Le MacBook Pro M4 Pro ou Max ajoute des ventilateurs, une bande passante de 273 à 546 Go/s et jusqu'à 128 Go de mémoire selon la fiche Apple ; le Mac mini M4 propose une machine fixe, refroidie activement.

• MacBook Pro M4 Pro et Max : 273 à 546 Go/s
• Mac mini M4 et M4 Pro pour un LLM
• MacBook Air M2 : 100 Go/s, 24 Go maximum
• MLX contre llama.cpp sur Mac
• Optimiser un Mac Apple Silicon pour les LLM
• Quel LLM pour 16 Go de mémoire

• Source : fiche technique Apple du MacBook Air M4
• Source : fiche technique Apple du MacBook Air actuel
• Source : fiche technique Apple du MacBook Pro M4 Pro et Max
• Source : documentation Ollama, contexte

#Limites à connaître

Charge longue

Sans ventilateur, une génération continue de plusieurs dizaines de minutes finit par réduire la fréquence. Pour un chat, l'effet passe inaperçu ; pour de l'indexation ou des traitements par lot, il vaut mieux une machine ventilée.

Pas de 70B

Un 70B pèse environ 40 Go en Q4 : plus que les 32 Go maximum de l'Air.

Le Neural Engine n'accélère pas Ollama

Les moteurs courants utilisent le GPU Metal. Le NPU n'entre en jeu que pour certains usages avec Core ML.

Stockage

Les modèles occupent plusieurs gigaoctets chacun dans le dossier de modèles d'Ollama : un SSD de 256 Go se remplit vite avec plusieurs modèles de 5 à 15 Go.

#Questions fréquentes