Quel LLM sur MacBook Pro M2 Pro / Max (16–96 Go) ?

#MacBook Pro M2 Pro / Max en 2026 : la fiche technique utile

À sa présentation, Apple annonçait pour le M2 Pro une bande passante de 200 Go/s et jusqu'à 32 Go de mémoire unifiée, et pour le M2 Max 400 Go/s, jusqu'à 96 Go et un GPU allant jusqu'à 38 cœurs. Apple présentait ces 96 Go comme repoussant les limites de la mémoire graphique sur un portable. La mémoire est soudée au processeur, donc la configuration se choisit à l'achat et ne bouge plus.

Le refroidissement actif est le second atout par rapport à un MacBook Air : le MacBook Pro peut tenir des charges longues sans que la puce doive ralentir de façon marquée. Apple propose aussi, sur certains modèles, un mode Haute puissance qui autorise les ventilateurs à tourner plus vite ; c'est un réglage à essayer pour les longues générations, au prix de bruit supplémentaire.

#M2 Pro ou M2 Max : ce que la bande passante change vraiment

La génération de texte lit à chaque token l'ensemble des poids actifs du modèle. La vitesse maximale est donc la bande passante divisée par la taille des poids. Un M2 Max à 400 Go/s peut en théorie aller deux fois plus vite qu'un M2 Pro à 200 Go/s. Les mesures publiées dans le dépôt llama.cpp montrent que ce n'est vrai qu'en partie.

Sur un modèle de 7B en Q4_0, le M2 Max ne fait que 1,6 à 1,7 fois le M2 Pro. Sur le même modèle en F16, environ 13 Go, l'écart monte à près de 1,9. Le calcul l'explique : un petit modèle se lit si vite que d'autres limites (calcul, latence, surcharge) reprennent la main, alors qu'un gros modèle sature vraiment la mémoire. La conséquence pratique est contre-intuitive : plus le modèle est gros, mieux le M2 Max justifie son prix. Pour un 7B, un M2 Pro suffit largement.

#De 16 à 96 Go : ce qui tient, ce qui reste juste

Sur Apple Silicon, le GPU n'a pas accès à toute la mémoire par défaut : d'après les discussions du dépôt llama.cpp, Metal en accorde entre les deux tiers et les trois quarts. Sur 16 Go, comptez environ 10 à 12 Go pour le modèle et son contexte ; sur 96 Go, environ 64 à 72 Go. La limite se relève par un réglage système détaillé dans le guide dédié, mais un dépassement peut figer la machine.

Les modèles MoE comme Qwen3-Coder 30B-A3B ou Qwen 3.6 35B-A3B pèsent 19 et 21 Go, mais n'activent qu'environ 3 milliards de paramètres par token : à mémoire égale, ils génèrent nettement plus vite qu'un modèle dense de 27B. C'est l'option la plus rentable sur 32 Go. Sur 96 Go, l'intérêt du M2 Max est moins de charger un seul très gros modèle que d'en garder deux résidents à la fois, par exemple un modèle de chat et un modèle de code.

• Calculateur de mémoire pour un modèle et son contexte
• Comprendre la fenêtre de contexte

#Débits publiés : ce qu'on peut affirmer et ce qu'on ne peut pas

Nous n'avons pas de mesure maison sur cette machine, et les tokens par seconde dépendent du modèle, de la quantification, du contexte et de la version de llama.cpp ou d'Ollama. Les seules mesures que nous citons sont celles publiées par des utilisateurs sur un Llama 7B, qui donnent l'échelle. Pour un modèle plus récent, le calcul bande passante divisée par poids reste le bon réflexe, avec la marge d'erreur indiquée plus haut.

Le traitement du prompt suit une autre logique : la table llama.cpp donne, pour ce même Llama 7B en F16, 384 t/s en traitement du prompt sur un M2 Pro à 19 cœurs et 756 t/s sur un M2 Max à 38 cœurs. Le nombre de cœurs GPU pèse sur cette phase, pas sur la génération. Pour un RAG ou l'analyse d'un long document, un M2 Max attendra donc environ deux fois moins avant le premier mot qu'un M2 Pro.

#Installer Ollama et l'utiliser correctement sur Mac

Ollama demande macOS Sonoma (14) ou plus récent. Sur Mac, la FAQ officielle précise que, lorsque Ollama tourne comme application, ses variables d'environnement se définissent avec launchctl, puis l'application doit être relancée. Les exports dans un terminal ne suffisent pas, l'application ne les voit pas.

launchctl setenv OLLAMA_FLASH_ATTENTION 1
launchctl setenv OLLAMA_KV_CACHE_TYPE q8_0
# puis quitter et relancer l'application Ollama

La FAQ d'Ollama indique que le cache K/V quantifié en q8_0 utilise environ la moitié de la mémoire du format f16 par défaut, et qu'il faut Flash Attention actif pour en profiter. Sur un 70B avec un long contexte, c'est ce réglage qui fait entrer le cache. Une limite à connaître : la quantification du cache peut dégrader légèrement la qualité sur certains modèles ; testez sur vos cas avant de la garder.

#Quel modèle pour quel usage

Chat généraliste

Un modèle de 8 à 12B (Qwen 3.5 9B, Gemma 4 12B) répond vite sur M2 Pro ; un 27B devient intéressant dès 32 Go pour un français plus soigné.

Code

Un MoE de code comme Qwen3-Coder 30B-A3B sur 32 Go ou plus, ou un modèle d'agent de code de 24B comme Devstral Small 2 (14 Go en Q4). Pour l'autocomplétion en ligne, un modèle de 7B suffit.

RAG documentaire

Gemma 4 12B en rapidité, un 24B en qualité de raisonnement ; limitez le contexte pour ne pas allonger l'attente avant le premier mot.

Analyse longue, agents

Sur 64 Go ou plus : Qwen 3.6 35B-A3B en MoE rapide, ou un 70B pour la qualité à condition d'accepter environ 10 t/s au mieux (400 ÷ 40).

Un point de vigilance sur les modèles de raisonnement : ils produisent de longs blocs de réflexion avant la réponse, ce qui multiplie le nombre de tokens à générer. Sur une machine à 60 t/s, dix mille tokens de réflexion prennent près de trois minutes. Pour les questions simples, désactivez le mode réflexion quand le modèle le permet.

• Réglages macOS et Metal pour Apple Silicon
• MLX ou llama.cpp sur Mac

#Sur batterie, en charge longue : ce qui change

Le MacBook Pro est conçu pour tenir plus longtemps qu'un Air, mais la machine reste un portable. Deux réglages influencent les débits : le mode d'alimentation (sur batterie, macOS peut limiter la puissance) et, sur les modèles qui le proposent, le mode Haute puissance. Selon Apple, ce mode permet aux ventilateurs de tourner plus vite pour maintenir de meilleures performances dans les charges très intensives, avec un bruit supplémentaire. Pour une génération de plusieurs minutes, branchez l'alimentation et essayez ce mode.

• Optimiser les thermiques pour l'inférence

#Faut-il passer à un M4 Max ?

Le M4 Max monte à 546 Go/s et 128 Go de mémoire d'après Apple. Dans la table llama.cpp, un Llama 7B en Q4_0 passe de 65,95 t/s sur M2 Max 38 cœurs à 83,06 t/s sur M4 Max 40 cœurs : environ 26 % de plus. Le gain est réel pour un usage intensif, mais le M2 Max 96 Go garde un avantage de capacité par rapport à un M4 Pro, limité à 64 Go.

• MacBook Pro M3
• MacBook Pro M4
• Mac Studio pour 64 à 512 Go
• Fiche matériel : MacBook Pro M4 Max
• Source : mesures llama.cpp sur puces Apple
• Source : Apple, lancement du MacBook Pro M2 Pro et M2 Max
• Source : FAQ officielle d'Ollama

#Questions fréquentes