Quel LLM sur MacBook Pro M4 Pro / Max (24–128 Go) ?

#MacBook Pro M4 Pro et M4 Max : quelles configurations, quelle bande passante

Sur un MacBook Pro M4, la puce fixe deux choses : la bande passante, qui détermine la vitesse maximale de génération, et la mémoire maximale, qui détermine la taille du modèle. Selon la fiche technique d'Apple, le M4 Pro offre 273 Go/s, le M4 Max à 14 cœurs CPU et 32 cœurs GPU 410 Go/s, et le M4 Max à 16 cœurs CPU et 40 cœurs GPU 546 Go/s. La mémoire va de 24 Go à 128 Go selon la puce. Ce ne sont pas des options interchangeables : chaque puce ouvre sa propre classe de modèles.

Apple précise que le M4 Max prend en charge jusqu'à 128 Go de mémoire unifiée et que cela permet à des développeurs d'interagir avec des modèles de langage de près de 200 milliards de paramètres. Apple ne précise ni la quantification ni le contexte de ce chiffre : ne le lisez pas comme une promesse pour un modèle dense en Q4, car un 70B dense pèse déjà environ 40 Go selon les repères du site.

La fiche décrit le MacBook Pro 14 pouces ; le 16 pouces reprend les mêmes puces. Les puces M4 ont depuis été suivies d'une génération M5 : le neuf n'est plus toujours disponible sur la génération décrite ici, et le marché de l'occasion fixe son prix. Cette page ne cite aucun tarif ; la page /materiel-ia/macbook-pro-m4-max donne des repères actualisés.

#Pro, Max 14 ou Max 16 cœurs : comment choisir

1. 01
   Fixez d'abord la taille de modèle visée

   Un modèle de 8 à 14 milliards de paramètres s'exécute sur un M4 Pro 24 Go. Un 24 à 32B demande 36 à 48 Go. Un 70B demande au moins 64 Go, avec un contexte court.
2. 02
   Ajoutez le contexte et une marge de 25 à 30 %

   Le cache KV grossit avec la longueur du contexte, et macOS garde une part de la mémoire pour lui. Multipliez le poids du modèle par environ 1,3 pour une estimation prudente.
3. 03
   Vérifiez la bande passante au regard de la vitesse voulue

   Divisez la bande passante par le poids du modèle : c'est la vitesse maximale théorique. Si elle est trop basse pour l'usage, montez de puce plutôt que de mémoire.
4. 04
   Décidez entre une puce Max à 14 ou à 16 cœurs

   Le 16 cœurs offre 546 Go/s contre 410 Go/s, et surtout l'accès à 48, 64 et 128 Go : la mémoire, autant que la vitesse, justifie la différence.

Cette procédure explique pourquoi le M4 Pro à 48 Go et le M4 Max 14 cœurs à 36 Go ne sont pas comparables : le premier offre plus de mémoire, le second plus de bande passante. Pour un usage où le modèle est petit et les réponses doivent être rapides, le Max 14 cœurs gagne. Pour charger un modèle plus gros, c'est le Pro 48 Go qui l'emporte, quitte à générer plus lentement.

#Ce que la bande passante autorise : plafonds théoriques

Chaque token généré relit les poids actifs. La vitesse maximale est donc la bande passante divisée par le poids en gigaoctets, avec les repères du site : 14B environ 9 Go, 32B environ 19 à 20 Go, 70B environ 40 Go en Q4. Le tableau applique cette formule aux trois puces. Ce sont des plafonds calculés, jamais des mesures : la vitesse réelle dépend du moteur, du contexte et de la charge thermique.

Les modèles à experts (MoE) sortent de ce tableau : un 30B dont 3B sont actifs pèse environ 19 Go en mémoire mais ne relit que quelques gigaoctets de poids par token, donc son plafond est plusieurs fois supérieur à celui d'un 32B dense de même poids. C'est la meilleure affaire d'un MacBook Pro à 48 Go et plus. Les débits réels se consultent sur /benchmarks ou dans les benchmarks publiés par des tiers, en vérifiant puce, quantification et moteur.

#MLX, Ollama, LM Studio : quel moteur sur cette machine

Ollama couvre l'essentiel : installation en un clic, API locale, détection automatique du GPU. MLX, le framework d'Apple, exploite la mémoire partagée du Mac sans copie entre CPU et GPU ; son paquet mlx-lm permet de générer du texte et de fine-tuner des modèles sur Apple silicon, en prenant en charge les modèles quantifiés. LM Studio propose une interface graphique et des modèles MLX. Le guide comparatif MLX contre llama.cpp tranche sur les performances ; il n'y a pas lieu de répéter ses conclusions ici.

1. 01
   Installer Ollama

   Téléchargez-le sur ollama.com ou avec Homebrew. Le démarrage automatique est décrit dans le guide d'installation macOS.
2. 02
   Lancer le modèle choisi

   La commande ollama run télécharge puis exécute le modèle. Vérifiez ensuite le GPU avec ollama ps.
3. 03
   Régler le cache KV et l'attention flash

   Ollama active l'attention flash automatiquement quand le matériel le permet ; la variable OLLAMA_KV_CACHE_TYPE quantifie le cache KV, avec f16 par défaut. Elle réduit la mémoire prise par les longs contextes.
4. 04
   Relever la limite de mémoire GPU si nécessaire

   Le dépôt mlx-lm indique qu'un modèle qui tient en RAM peut souvent être accéléré en relevant la limite de mémoire câblée du système. C'est un réglage système administrateur : suivez la procédure du guide d'optimisation macOS, sans copier de valeur trouvée ailleurs.

brew install --cask ollama
ollama run qwen3:32b
ollama ps

# Long contexte : cache KV quantifié
export OLLAMA_FLASH_ATTENTION=1
export OLLAMA_KV_CACHE_TYPE=q8_0

#Contexte long : le cas d'usage où la mémoire du Pro compte le plus

Le contexte long est le principal argument des 64 et 128 Go. Ollama fixe par défaut un contexte de 4 000 tokens sous 24 Gio de mémoire, de 32 000 entre 24 et 48 Gio, et de 256 000 à partir de 48 Gio ; sa documentation recommande au moins 64 000 tokens pour la recherche web, les agents et les outils de code. Un contexte de 64 000 tokens sur un modèle de 32B se paie en gigaoctets de cache KV, en plus des 19 à 20 Go de poids : sur 48 Go, la marge s'épuise vite. Une machine à 64 Go ou 128 Go laisse la place à ce contexte sans obliger à quantifier le cache.

• Quantifier le cache KV pour gagner de la mémoire
• Comprendre la fenêtre de contexte

#MacBook Pro M4 face à un GPU NVIDIA, un Mac Studio ou un Air

La comparaison utile porte sur la mémoire avant la vitesse. Une RTX 4090 embarque 24 Go de GDDR6X, selon NVIDIA : au-delà d'un modèle de 24 à 30 milliards de paramètres, elle doit décharger une partie du modèle en RAM système, et la vitesse chute. Un MacBook Pro M4 Max à 64 ou 128 Go charge un 70B entier. La carte reste supérieure quand le modèle tient dans sa mémoire et que la vitesse prime.

#M4 ou M5 : que change la génération suivante

Apple a depuis publié des MacBook Pro M5 Pro et M5 Max. Leur fiche annonce 307 Go/s pour le M5 Pro, 460 Go/s pour le M5 Max à 32 cœurs GPU et 614 Go/s pour le M5 Max à 40 cœurs GPU, contre 273, 410 et 546 Go/s pour la génération M4. La bande passante progresse d'environ 12 à 13 %, donc les plafonds théoriques de vitesse aussi. La question d'achat se pose surtout à mémoire égale : un M4 Max 128 Go d'occasion ouvre plus de modèles qu'un M5 Pro 48 Go neuf.

#Limites à connaître

Plafond de mémoire

128 Go au maximum. Au-delà, il faut un Mac Studio ou une autre plateforme.

Pas de CUDA

Les bibliothèques qui exigent CUDA ne tournent pas. MLX et llama.cpp couvrent l'inférence, pas tout l'écosystème d'entraînement.

Fine-tuning

MLX permet un fine-tuning à faible rang et complet avec modèles quantifiés. Sur des modèles de plus de quelques milliards de paramètres, cela reste lent et chauffe : réservez les gros travaux à un service cloud.

Batterie

L'inférence continue décharge vite la batterie : branchez-vous pour les longues sessions.

• MacBook Air M4 : 32 Go et 120 Go/s
• Mac Studio : la même puce sur un bureau
• Mac mini M4 et M4 Pro
• Optimiser un Mac Apple Silicon
• Fiche matériel : MacBook Pro M4 Max

• Source : fiche technique Apple du MacBook Pro M4 Pro et M4 Max
• Source : fiche technique Apple du MacBook Pro M5 Pro et M5 Max
• Source : Apple, annonce des puces M4 Pro et M4 Max
• Source : documentation Ollama, contexte
• Source : dépôt mlx-lm

#Questions fréquentes