VRAM : c'est quoi, et combien en faut-il pour l'IA ?

#La VRAM en une minute

VRAM signifie Video Random Access Memory. C'est une mémoire vive, comme la RAM, mais placée à quelques millimètres de la puce graphique et reliée à elle par un bus très large. Son rôle d'origine est de stocker ce que le GPU manipule en permanence : les textures, la géométrie et les images d'un jeu. Pour l'IA, elle stocke les poids du modèle et sa mémoire de travail.

Deux chiffres la caractérisent. La capacité, en gigaoctets, dit ce qui peut y tenir. La bande passante, en gigaoctets par seconde, dit à quelle vitesse le GPU peut la lire. En jeu, on regarde surtout la capacité. En IA, les deux comptent : la capacité décide si le modèle se charge, la bande passante décide à quelle vitesse il écrit.

#RAM et VRAM : les différences

L'écart de bande passante, de l'ordre de dix à vingt fois, explique tout le reste de cette page. Un modèle d'IA relit l'ensemble de ses poids à chaque token qu'il produit. Depuis la VRAM, cela va vite. Depuis la RAM, le même modèle tourne cinq à vingt fois plus lentement.

#Connaître sa VRAM

Windows, sans rien installer

Ouvrez le Gestionnaire des tâches (Ctrl + Maj + Échap), onglet Performance, puis GPU dans la colonne de gauche. La ligne « Mémoire GPU dédiée » donne votre VRAM. La « mémoire GPU partagée » affichée à côté n'en est pas : c'est de la RAM que Windows peut prêter au GPU, bien plus lente.

Windows, méthode alternative

Touche Windows + R, tapez dxdiag, onglet Affichage : la ligne « Mémoire d'affichage (VRAM) ».

Windows et Linux avec une carte NVIDIA

Dans un terminal, la commande nvidia-smi affiche la mémoire totale et la mémoire occupée en temps réel. C'est l'outil à garder ouvert pendant qu'un modèle tourne.

Linux avec une carte AMD

La commande rocm-smi --showmeminfo vram, ou l'outil graphique de votre distribution.

Mac

Menu Pomme, À propos de ce Mac : la ligne Mémoire. Un Mac Apple Silicon n'a pas de VRAM séparée, voir la section dédiée plus bas.

nvidia-smi --query-gpu=name,memory.total,memory.used --format=csv -l 2

#Pourquoi l'IA locale dépend de la VRAM

Un LLM occupe la VRAM de trois façons. Les poids, d'abord : le nombre de paramètres multiplié par la précision. En quantification 4 bits, comptez environ 0,6 Go par milliard de paramètres, soit 5 Go pour un modèle 8B. Le cache KV, ensuite, qui conserve la conversation en cours et grossit avec la longueur du contexte. Enfin une marge de fonctionnement, de l'ordre de 1 à 2 Go.

Si le total dépasse la VRAM, les outils comme Ollama ou llama.cpp déportent une partie du modèle en RAM : c'est l'offload CPU+GPU, une fonctionnalité documentée du projet llama.cpp pour faire tourner des modèles plus gros que la VRAM disponible. Le modèle fonctionne toujours, mais la vitesse s'effondre dès que quelques couches passent de l'autre côté, parce que chaque token doit alors attendre une lecture en RAM système, dix à vingt fois plus lente. C'est pourquoi une carte plus ancienne avec beaucoup de VRAM, comme une RTX 3090 de 24 Go, reste plus utile en IA locale qu'une carte récente de 12 Go, pourtant plus rapide en jeu et en rendu 3D.

• Calculateur de VRAM : poids, contexte et marge pour votre modèle
• Choisir sa quantification : Q4, Q5, Q8 ou FP16

#Combien de VRAM pour quel modèle

Le tableau croise notre base de 90 cartes et puces avec les 249 modèles du catalogue. Pour chaque palier, il indique un modèle représentatif qui tient entièrement en VRAM en Q4_K_M. Gardez 1 à 3 Go de marge pour le contexte : quand le poids du modèle frôle la capacité de la carte, la conversation doit rester courte.

• Quel LLM pour 8 Go de VRAM ?
• Quel LLM pour 12 Go de VRAM ?
• Quel LLM pour 16 Go de VRAM ?
• Quel LLM pour 24 Go de VRAM ?

#Peut-on augmenter sa VRAM ?

Sur une carte graphique dédiée, non, quel que soit le constructeur. Les puces mémoire sont soudées et dimensionnées avec le GPU dès la conception : la seule façon d'avoir plus de VRAM est de changer de carte, ou d'en ajouter une seconde, ce que les outils d'IA locale savent exploiter en répartissant automatiquement le modèle entre les cartes. Les réglages qui promettent d'« augmenter la VRAM » dans Windows ou dans le BIOS ne créent pas de mémoire supplémentaire : ils concernent deux cas particuliers, décrits ci-dessous, qui n'apportent rien à une carte dédiée déjà pleinement identifiée par le système.

GPU intégré (iGPU)

Il n'a pas de VRAM propre et emprunte une part de la RAM. Le BIOS permet souvent d'agrandir cette part (réglage UMA Frame Buffer Size ou équivalent). Cela augmente la capacité, pas la vitesse, qui reste celle de la RAM.

Mémoire GPU partagée de Windows

Windows autorise une carte dédiée à déborder dans la RAM. Pour un jeu, cela évite un plantage. Pour un LLM, c'est le scénario lent décrit plus haut.

La vraie marge de manœuvre est logicielle : choisir une quantification plus légère, réduire la fenêtre de contexte, quantifier le cache KV. Ces trois leviers font souvent gagner plusieurs gigaoctets sans toucher au matériel.

• Quantifier le cache KV : gagner de la VRAM sur les longs contextes
• Additionner la VRAM de deux cartes avec llama.cpp

#Le cas des Mac : la mémoire unifiée

Les Mac Apple Silicon n'ont pas de VRAM distincte. Le processeur et le GPU partagent une seule mémoire, dite unifiée, à large bande passante. Sur la génération M4 : 120 Go/s pour la puce de base, jusqu'à 546 Go/s pour un M4 Max. Le GPU ne peut pas réclamer la totalité de cette mémoire, macOS en réserve une partie ; dans la pratique, comptez plutôt 16 Go exploitables par un modèle sur un Mac 24 Go, 48 Go sur un Mac 64 Go et 96 Go sur un Mac 128 Go, une réserve qui pèse proportionnellement plus lourd sur les petites configurations.

La gamme a bougé depuis : Apple a lancé la puce M5 fin 2025 (153,6 Go/s, 32 Go de mémoire maximum), puis le M5 Pro (307 Go/s, 64 Go) et le M5 Max (jusqu'à 614 Go/s, 128 Go). Le Mac Studio a suivi avec le M5 Ultra, annoncé le 25 août 2026 : Apple annonce « jusqu'à 512 Go » de mémoire unifiée et « 1,2 To/s » de bande passante, de quoi charger en théorie un modèle de plusieurs centaines de milliards de paramètres. Le même jour, Apple a sorti le M6, gravé en 2 nm et commercialisé depuis le 22 septembre 2026 : c'est une puce d'entrée de gamme seulement, sans variante Pro ni Max cette génération, plafonnée à 32 Go de mémoire et 170 Go/s de bande passante, soit moins qu'un M5 Pro sorti un an plus tôt. Un point à vérifier avant d'acheter un Mac « dernière génération » pour l'IA : le nom du chipset ne dit pas tout, la variante compte davantage que le millésime.

C'est ce qui rend les Mac haut de gamme singuliers pour l'IA locale : aucune carte graphique grand public n'offre 96 Go de VRAM utilisable, encore moins les centaines de gigaoctets d'un Mac Studio M5 Ultra. En contrepartie, à capacité égale, une carte NVIDIA récente reste plus rapide grâce à une bande passante par gigaoctet supérieure : les 1 792 Go/s d'une RTX 5090 sur 32 Go dépassent largement les 614 Go/s d'un M5 Max sur 128 Go, mais cette dernière charge un modèle quatre fois plus gros.

• Matériel pour l'IA locale : nos fiches machines
• Quel GPU pour un LLM local ?
• Source : communiqué Apple Newsroom, M6 et M5 Ultra (25/08/2026)
• Source : fiche technique NVIDIA GeForce RTX 5090
• Source : dépôt GitHub llama.cpp (répartition multi-GPU)

#FAQ

Matériel recommandé : RTX 5070 Ti 16 Go — 16 Go de VRAM, de quoi charger un modèle 14B quantifié en Q4 avec son contexte. Tout le matériel IA →