01Ce qu'il sait faire
Points forts
- Premier dLLM open Apache 2.0
- Texte+vision+génération+édition unifiés
- Mode 'thinking' interleaved
- Apache 2.0
Limites à connaître
- —Architecture diffusion non supportée par Ollama/llama.cpp
- —Exige Flash Attention 2 + CUDA 12.4
- —47 Go VRAM en pleine génération
- —Ctx 8k seulement
Architecture
MoE 16B/1B actifs + Discrete Semantic Tokenizer (SigLIP-VQ) + Decoder Diffusion 6.2B + VAE
Entraînement
Masked Token Prediction paradigm. Decoder-turbo distillé (10× accélération, 8 steps au lieu de 50). SPRINT acceleration.
Idéal pour
Génération image nativeVision+texte unifiéRecherche dLLM
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.
Q4_K_M
Le plus léger, ~5% de perte
18 Go
Q5_K_M
Bon compromis qualité/taille
22 Go
Q8_0
Quasi-indistinguable de FP16
30 Go
FP16
Pleine précision — usage serveur
47 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 36 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
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.
04Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$# HuggingFace : inclusionAI/LLaDA2.0-Uni (Flash Attn 2 + CUDA 12.4 requis)
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.