01Ce qu'il sait faire
- Licence MIT permissive
- Intelligence Index 34 (top open non-reasoning)
- 256k ctx long
- Hybrid attention efficace
- Agentic et tool-calling matures
- —Hardware datacenter requis (~600 Go VRAM Q4)
- —Pas de tag Ollama (poids HF uniquement)
- —Pas un modèle reasoning
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Quel GPU pour faire tourner Ling 2.6 1T ?
Pour exécuter Ling 2.6 1T en local en quantification Q4, il faut environ 580 Go de VRAM. Le meilleur rapport prix/performance : un Mac Studio (64 Go de mémoire unifiée).
Liens affiliés — commission possible sans surcoût pour vous, reco indépendante. En tant que Partenaire Amazon, QuelLLM réalise un bénéfice sur les achats remplissant les conditions requises.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Benchmarks publics
Scores reproduits depuis les model cards ou MMLU-Pro / communautaires. Unité : % bonnes réponses.
05Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.