Qwen 3.8 27B en local : installation Ollama et VRAM

Pour installer Qwen 3.8 27B avec Ollama, lancez « ollama run qwen3.8:27b ». Le fichier par défaut (q4_K_M) pèse 18 Go et le contexte annoncé est de 256 k tokens. Prévoyez 24 Go de VRAM ou un Mac avec 32 Go de mémoire unifiée ; en dessous, une partie du modèle passe sur le processeur. Le tableau ci-dessous donne la mémoire à prévoir pour chaque tag.
#Le verdict en 30 secondes
Qwen 3.8 27B s'installe en une commande. Le tag par défaut (q4_K_M) pèse 18 Go, d'après la page de la bibliothèque Ollama, et demande en pratique une carte de 24 Go de VRAM (RTX 3090, 4090, 5090) ou un Mac Apple Silicon avec au moins 32 Go de mémoire unifiée. En dessous, le modèle peut tourner, mais une partie des couches bascule sur le processeur et le débit chute.
| Tag | Taille du fichier | Mémoire à prévoir | Pour qui |
|---|---|---|---|
| qwen3.8:27b (aussi qwen3.8:latest ; q4_K_M) | 18 Go | 24 Go de VRAM, ou Mac 32 Go | Le choix par défaut : RTX 3090, 4090, 5090 |
| qwen3.8:27b-q4_K_M ; qwen3.8:27b-mtp-q4_K_M | 18 Go | 24 Go | Même taille que le défaut ; la variante « mtp » est conçue pour la prédiction multi-tokens |
| qwen3.8:27b-q8_0 ; qwen3.8:27b-mtp-q8_0 | 30 Go | 40 Go et plus | Qualité plus proche des poids d'origine : carte de 48 Go, deux cartes, Mac 64 Go |
| qwen3.8:27b-bf16 ; qwen3.8:27b-mtp-bf16 | 56 Go | 80 Go | Poids non quantifiés : machines de calcul, Mac 128 Go |
| qwen3.8:27b-mlx ; qwen3.8:27b-nvfp4 | 18 Go | Mac 32 Go de mémoire unifiée | Apple Silicon : tags marqués MLX par Ollama |
| qwen3.8:27b-dflash2-nvfp4 | 19 Go | Mac 32 Go de mémoire unifiée | Variante MLX plus récente (page mise à jour il y a deux semaines) |
| qwen3.8:27b-mxfp8 | 30 Go | Mac 48 Go de mémoire unifiée | Apple Silicon, précision supérieure |
| qwen3.8:27b-mlx-bf16 | 56 Go | Mac 96 Go de mémoire unifiée | Apple Silicon, sans quantification |
- Ce que c'est
- Un modèle dense de 27 milliards de paramètres, avec un encodeur visuel (images et vidéos), 262 144 tokens de contexte natif et la licence Apache 2.0, qui autorise l'usage commercial sous les conditions de la licence.
- Le prérequis réaliste
- 24 Go de VRAM ou 32 Go de mémoire unifiée pour le q4_K_M (18 Go). Le q8_0 pèse 30 Go et le bf16 56 Go : prévoyez nettement plus de mémoire que la taille du fichier.
- Le piège n°1
- Le contexte annoncé est de 256 k, mais Ollama démarre avec une fenêtre bien plus petite selon votre VRAM (4 k sous 24 Gio, 32 k entre 24 et 48 Gio). Réglez-la vous-même : voir la section sur le contexte.
- Le piège n°2
- Le mode de réflexion est actif par défaut : le modèle produit du raisonnement avant de répondre. Réduisez reasoning_effort ou désactivez-le pour les tâches simples.
#Ce qu'est vraiment Qwen 3.8 27B
Ton ChatGPT privé et gratuit sur ta machine en 1 heure — LM Studio, Ollama, Open WebUI, tes documents, sans cloud.
- Espace en ligne à vie
- PDF + fichiers
- Remboursé 30 j
Contrairement à la mode des Mixture-of-Experts, Qwen3.8-27B est un modèle dense : les 27 milliards de paramètres sont activés à chaque token. C'est ce qui le rend prévisible en mémoire — pas de bonne surprise sur le débit, pas de mauvaise surprise sur la VRAM — et c'est aussi ce qui explique un débit local plus modeste qu'un MoE de taille comparable.
- Sortie
- Les poids ont été publiés en août 2026 sur Hugging Face (le 14 août d'après la presse ; la fiche ne donne que le mois) : le dépôt officiel est Qwen/Qwen3.8-27B.
- Architecture
- 64 couches organisées en 16 blocs de « 3 × (Gated DeltaNet → FFN) puis 1 × (Gated Attention → FFN) ». Une attention hybride : la majorité des couches utilise une attention linéaire, économe en mémoire, entrecoupée de vraies couches d'attention pour la précision.
- Modalités
- Vision-langage natif : images fixes, documents, diagrammes scientifiques et vidéos. Ce n'est pas un adaptateur greffé après coup.
- Contexte
- 262 144 tokens en natif. La fiche indique une extension jusqu'à 1 000 000 de tokens avec YaRN, non activé par défaut et déconseillé pour les textes courts ; elle recommande SGLang, vLLM ou TokenSpeed pour servir le modèle. Nous n'avons pas trouvé de procédure documentée pour l'activer dans Ollama.
- Licence
- Apache 2.0 : usage commercial, modification et redistribution autorisés sous les conditions de la licence.
- Particularité
- Le modèle est entraîné avec de la prédiction multi-tokens (MTP) : c'est la raison d'être des tags « mtp » d'Ollama. Le gain de vitesse dépend du moteur et n'est pas chiffré ici.
#Le matériel qu'il faut
Le tableau en haut de page donne la taille de chaque tag. Elle ne suffit pas : il faut ajouter le cache de contexte (il grandit avec la longueur) et l'encodeur visuel. Comme règle empirique, comptez 15 à 25 % au-dessus de la taille du fichier ; vérifiez ensuite avec ollama ps, qui affiche la répartition entre GPU et processeur.
Côté vitesse, un plafond théorique s'obtient en divisant la bande passante mémoire par la taille du fichier, puisqu'un modèle dense relit l'essentiel de ses poids à chaque token. Avec les bandes passantes annoncées par Apple et un fichier de 18 Go : puce M5 (153 Go/s) environ 8 tokens par seconde, M5 Pro (307 Go/s) environ 17, M5 Max (614 Go/s) environ 34. Ce sont des calculs, pas des mesures : le réel est inférieur, et le mode de réflexion allonge l'attente avant la première ligne de réponse.
#Installer Qwen 3.8 27B avec Ollama
- 01Mettez Ollama à jourQwen 3.8 demande une version récente d'Ollama. La dernière version publiée sur le dépôt officiel au 16 novembre 2026 est la 0.40.16 (9 novembre). Réinstallez depuis le site officiel, ou relancez le script d'installation sous Linux. Une version trop ancienne peut répondre « model not found » ou signaler une erreur d'architecture.
- 02Téléchargez le modèle18 Go à télécharger : prévoyez de la place sur le disque où Ollama stocke ses modèles. Si le téléchargement est interrompu, relancez la même commande.
- 03Lancez un premier échangeLa première réponse est plus lente, le temps que les poids soient chargés en mémoire. Si elle met plus d'une minute à démarrer, c'est le signe d'un débordement sur le processeur.
- 04Vérifiez où tourne le modèleLa commande ollama ps affiche la répartition GPU/CPU. Tant que vous ne lisez pas 100 % GPU, chaque token coûte cher — descendez d'un cran de quantification ou réduisez le contexte.
#Sur Mac Apple Silicon : prenez la variante MLX
Ollama publie des tags marqués MLX, pour le moteur MLX d'Apple qu'il décrit comme tirant parti de la mémoire unifiée. Ollama annonce, dans un billet du 11 juin 2026, un moteur jusqu'à 20 % plus rapide qu'avant et la prise en charge du format NVFP4. Ces chiffres portent sur un autre modèle (Gemma 4 12B) : nous ne les reportons pas sur Qwen 3.8.
- Mac 16 Go
- Insuffisant : le fichier de 18 Go dépasse la mémoire totale.
- Mac 24 Go
- Très juste : le fichier laisse peu de place au contexte et au système. Acceptable pour essayer, pas pour travailler.
- Mac 32 Go
- Le point d'entrée raisonnable : le modèle tient et il reste de la marge pour le cache de contexte et le système.
- Mac 64 Go et plus
- Confortable, avec la possibilité de monter en mxfp8 ou de travailler sur de longs documents.
Les puces M5 changent surtout la bande passante et la mémoire disponible. Apple annonce 153 Go/s pour la puce M5, jusqu'à 307 Go/s et 64 Go de mémoire pour la M5 Pro, jusqu'à 614 Go/s et 128 Go pour la M5 Max. Plus de mémoire permet de viser les tags mxfp8 et bf16 ; plus de bande passante relève le plafond de vitesse. Ces chiffres sont ceux du constructeur, pas des mesures sur Qwen 3.8.
#Le piège du contexte 256k
C'est l'erreur de nombreux premiers essais. Le modèle annonce 262 144 tokens, mais Ollama choisit une fenêtre par défaut selon la VRAM : 4 k tokens sous 24 Gio, 32 k entre 24 et 48 Gio, 256 k à partir de 48 Gio (documentation d'Ollama). Un document plus long que la fenêtre risque d'être tronqué : le modèle répond alors sur un texte qu'il n'a pas vu en entier. Ollama recommande au moins 64 000 tokens pour les agents, le code et la recherche web.
Quant au million de tokens annoncé : il repose sur une extension YaRN qui se règle dans la configuration du modèle et que la fiche déconseille pour les textes courts. La fiche recommande SGLang, vLLM ou TokenSpeed pour le servir ; nous n'avons pas trouvé de chemin documenté pour l'obtenir avec Ollama. Sur une carte de 24 Go, il n'est de toute façon pas réaliste.
#Thinking mode et paramètres d'échantillonnage
Qwen 3.8 réfléchit avant de répondre : il produit un bloc de raisonnement, puis la réponse finale. C'est activé par défaut et c'est ce qui explique l'essentiel de la latence perçue. La fiche officielle propose trois niveaux de reasoning_effort : xhigh (défaut, pour les tâches complexes), medium et low (qui privilégie la vitesse). Dans Ollama, l'API accepte le paramètre think : false pour supprimer la réflexion.
| Mode | temperature | top_p | top_k | presence_penalty |
|---|---|---|---|---|
| Thinking (défaut) | 1.0 | 0.95 | 20 | 0.0 |
| Instruct (sans réflexion) | 0.7 | 0.80 | 20 | 1.5 |
- Tâches courtes en local
- Baissez reasoning_effort à low ou medium, ou désactivez la réflexion : sur une reformulation ou une extraction, une réflexion longue allonge surtout l'attente.
- Tâches agentiques
- Gardez la valeur par défaut, xhigh, que la fiche destine aux tâches complexes. Un effort réduit peut convenir, mais comparez les résultats sur vos propres tâches.
- Réponses qui partent en boucle
- La fiche conseille presence_penalty à 1.5 en mode instruct, 0.0 en mode réflexion. Montez la valeur par petits pas.
- Sortie polluée par le raisonnement
- Dans l'API d'Ollama, le raisonnement est renvoyé à part (champ thinking) et la réponse dans content. Si votre application affiche le raisonnement, elle ne sépare pas les deux champs ; désactivez la réflexion plutôt que de filtrer le texte.
#Analyser une image ou un document
La vision est native : capture d'écran, photo de tableau, schéma technique, page scannée. En ligne de commande, il suffit de donner le chemin du fichier dans le prompt ; via l'API, les images passent encodées en base64 dans le champ prévu par Ollama.
#Ce que valent les scores annoncés
Le saut revendiqué face à Qwen 3.6-27B, le modèle de même taille de la génération précédente, est important, surtout sur le code agentique et l'usage d'ordinateur. Voici des chiffres publiés par Alibaba sur la fiche officielle ; nous ne les avons pas reproduits.
| Épreuve | Qwen3.8-27B | Qwen3.6-27B |
|---|---|---|
| Terminal Bench 2.1 (code agentique) | 73,0 | 63,4 |
| SWE-bench Pro | 61,7 | 53,5 |
| LiveCodeBench v6 | 90,3 | 83,9 |
| IFBench (suivi d'instructions) | 79,5 | 69,1 |
| GPQA Diamond (sciences) | 89,2 | 87,8 |
| OSWorld-Verified (usage d'ordinateur) | 84,3 | 63,9 |
| OmniDocBench 1.5 (documents) | 91,1 | 89,4 |
Ce qu'il faut en retenir pour un usage local : les progrès portent surtout sur les tâches longues et outillées — piloter un terminal, corriger un dépôt, enchaîner des étapes sans dérailler. Sur une simple conversation ou un résumé, l'écart avec la génération précédente sera beaucoup moins visible que ces chiffres ne le laissent croire.
#Faut-il quitter Qwen 3.6, Gemma 4 ou gpt-oss ?
- Vous êtes sur Qwen 3.6-27B
- Probablement : même ordre de taille (17 à 19 Go selon la page des tags d'Ollama), même licence, gains annoncés sur le code et l'agentique. Gardez l'ancien tag le temps de valider vos prompts, le style des sorties peut changer.
- Vous êtes sur Gemma 4 26B
- Qwen 3.8 annonce de meilleurs scores sur le code et l'agentique ; côté licence, les deux sont en Apache 2.0, Gemma 4 étant passé sous cette licence en avril 2026. Comparez-les sur vos propres textes en français, nous n'avons pas de mesure à vous donner.
- Vous êtes sur gpt-oss-20b
- Deux philosophies : gpt-oss 20B (14 Go chez Ollama, contexte de 128 k, texte seul) est plus léger ; Qwen 3.8 accepte les images et annonce 256 k de contexte. Choisissez selon la mémoire disponible.
- Vous cherchez surtout à coder
- Un modèle spécialisé code en MoE de 30 milliards de paramètres, comme Qwen3-Coder 30B-A3B (19 Go), est plus léger à faire tourner. Qwen 3.8 27B se justifie quand l'agent doit lire, planifier et modifier plusieurs fichiers.
- Vous avez moins de 24 Go
- Ne forcez pas. Un modèle de 12 à 14 milliards de paramètres vous donnera une meilleure expérience qu'un 27B qui déborde sur le processeur.
#Dépannage
- « model not found » au pull
- Ollama est trop ancien pour connaître ce dépôt, ou le tag est mal orthographié — c'est bien « qwen3.8:27b », avec un point, pas un tiret. Mettez Ollama à jour puis relancez.
- Erreur d'architecture au chargement
- Même cause probable : la version d'Ollama est trop ancienne pour l'architecture hybride de Qwen 3.8.
- Génération très lente
- Le modèle déborde probablement sur le processeur. Vérifiez avec ollama ps : si la répartition n'est pas à 100 % GPU, réduisez le contexte, fermez les autres applications GPU, ou passez à un modèle plus petit.
- Réponses qui ignorent le début du document
- Contexte tronqué. Réglez le contexte à la hauteur de votre entrée (OLLAMA_CONTEXT_LENGTH ou num_ctx), ou découpez le document.
- Le modèle « pense » sans fin
- reasoning_effort trop élevé pour la tâche. Descendez à medium ou low, ou désactivez la réflexion pour les tâches simples.
- L'image est ignorée
- Le chemin du fichier doit être accessible depuis le processus Ollama, et le parseur vision demande une version à jour. Testez avec une image locale simple avant d'incriminer le modèle.
- Manque de place disque
- Prévoyez de la marge au-delà de la taille annoncée pendant l'installation. Un téléchargement interrompu par un disque plein peut laisser des fragments : supprimez le modèle avec ollama rm, puis relancez le pull.
#Questions fréquentes
Quelle VRAM faut-il pour Qwen 3.8 27B ?+
Comment installer Qwen 3.8 27B en local ?+
Qwen 3.8 27B est-il gratuit et utilisable en entreprise ?+
Existe-t-il un Qwen 3.8 de 14 ou 8 milliards de paramètres ?+
Quelle différence entre Qwen 3.8 27B et Qwen 3.8-Max ?+
Peut-on faire tourner Qwen 3.8 27B avec 16 Go de VRAM ?+
Qwen 3.8 27B est-il meilleur que Qwen 3.6 27B ?+
Peut-on désactiver le mode réflexion de Qwen 3.8 ?+
Le contexte d'un million de tokens est-il accessible en local ?+
#Sources et vérification du 16 novembre 2026
Les tailles et tags viennent des pages officielles de la bibliothèque Ollama, les caractéristiques et scores de la fiche Hugging Face d'Alibaba, le contexte par défaut de la documentation d'Ollama. Les mémoires conseillées sont des estimations du site, pas des mesures.
- Qwen 3.8 dans la bibliothèque Ollama
- Liste des tags Qwen 3.8 et tailles des fichiers, Ollama
- Fiche officielle Qwen3.8-27B, Hugging Face
- Fiche Qwen3.8-2.4T-A95B (base de Qwen3.8-Max), Hugging Face
- Longueur de contexte par défaut, documentation Ollama
- Réflexion (paramètre think), documentation Ollama
- Dernière version d'Ollama, dépôt officiel
- Ollama et MLX sur Apple Silicon, billet du 11 juin 2026
- Puces M5 Pro et M5 Max, communiqué d'Apple
- Puce M5, communiqué d'Apple
- Sortie du 27B sous Apache 2.0 et licence du modèle Max, eWeek (presse)
#Pour aller plus loin
Ce guide suppose une installation Ollama fonctionnelle et un choix de quantification assumé. Ces pages complètent le sujet :
- Installer Ollama
- Le prérequis si le moteur n'est pas encore en place, sur Windows, macOS ou Linux — et la mise à jour, indispensable pour Qwen 3.8.
- Choisir sa quantification
- Pour arbitrer entre Q4, Q8 et BF16 en connaissance de cause : ce que chaque cran coûte en mémoire et ce qu'il rend en qualité.
- Qwen 3.8 : la chronologie des open weights
- D'où vient la confusion entre le Max en API et le 27B ouvert, et ce qui a été réellement annoncé quand.
- Quel LLM pour 24 Go de VRAM
- Le comparatif des modèles qui tiennent sur une carte 24 Go, si vous hésitez encore entre Qwen 3.8 27B et une alternative plus légère.
- Installer Ollama en 5 minutes (Windows, macOS, Linux)
- Choisir sa quantification (Q4, Q5, Q8, FP16)
- Qwen 3.8 open weights : sortie du 14 août 2026
- Quel LLM pour 24 Go de VRAM ?
- Qwen 3 en local : test complet et benchmarks réels
Un retour, une erreur, une précision ? Faites-nous signe, ça améliore le guide pour tout le monde.