{"id":2083,"date":"2026-08-03T02:45:07","date_gmt":"2026-08-03T02:45:07","guid":{"rendered":"https:\/\/convly.ai\/?p=2083"},"modified":"2026-08-23T03:55:13","modified_gmt":"2026-08-23T03:55:13","slug":"how-to-check-vram-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/fr\/how-to-check-vram-2026\/","title":{"rendered":"Comment v\u00e9rifier la VRAM sur Windows, macOS et Linux"},"content":{"rendered":"<div class=\"convly-tldr\">\n<ul>\n<li><strong>Windows :<\/strong> appuyer <strong>Ctrl+Maj+\u00c9chap<\/strong> \u2192 <strong>Performance<\/strong> \u2192 <strong>GPU<\/strong> et lisez <em>M\u00e9moire GPU d\u00e9di\u00e9e<\/em>. Sur les cartes NVIDIA, ex\u00e9cutez <code>nvidia-smi<\/code> dans un terminal pour obtenir la valeur exacte ainsi que l'utilisation en direct.<\/li>\n<li><strong>macOS :<\/strong> Menu Apple \u2192 <strong>\u00c0 propos de ce Mac<\/strong>. Sur Apple Silicon, la figure \u00ab M\u00e9moire \u00bb est une m\u00e9moire unifi\u00e9e partag\u00e9e par le CPU et le GPU \u2014 il n'y a pas de VRAM s\u00e9par\u00e9e.<\/li>\n<li><strong>Linux :<\/strong> <code>nvidia-smi<\/code> (NVIDIA), <code>rocm-smi --showmeminfo vram<\/code> (AMD), ou <code>glxinfo -B<\/code> sur les pilotes Mesa.<\/li>\n<li>Seule <em>d\u00e9di\u00e9e<\/em> la VRAM d\u00e9termine quel mod\u00e8le peut s'ex\u00e9cuter. Entrez votre nombre dans le <a href=\"https:\/\/convly.ai\/fr\/llm-vram-calculator\/\">calculatrice VRAM<\/a> pour voir ce que vous pouvez utiliser.<\/li>\n<\/ul>\n<\/div>\n<p>Comment v\u00e9rifier la VRAM, en une ligne par plateforme : sous Windows, appuyez sur <strong>Ctrl+Maj+\u00c9chap<\/strong>, ouvrez l'onglet <strong>Performance<\/strong> , s\u00e9lectionnez votre GPU et lisez <em>M\u00e9moire GPU d\u00e9di\u00e9e<\/em>; sur macOS, ouvrez Menu Apple \u2192 <strong>\u00c0 propos de ce Mac<\/strong>; sur Linux, ex\u00e9cutez <code>nvidia-smi<\/code> pour NVIDIA ou <code>rocm-smi<\/code> for AMD. Below is each method in detail \u2014 plus what the numbers actually mean when you are deciding whether a local LLM will fit.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_88 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6ae78b9141f86\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Basculer<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6ae78b9141f86\"  aria-label=\"Basculer\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/fr\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_Windows\" >Comment v\u00e9rifier la VRAM sous Windows<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/fr\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_macOS\" >Comment v\u00e9rifier la VRAM sous macOS<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/fr\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_Linux\" >Comment v\u00e9rifier la VRAM sous Linux<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/fr\/how-to-check-vram-2026\/#Total_vs_Free_vs_Shared_What_the_Numbers_Mean\" >Total vs. Disponible vs. Partag\u00e9e : ce que les chiffres signifient<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/fr\/how-to-check-vram-2026\/#How_Much_VRAM_Do_You_Actually_Need\" >Combien de VRAM avez-vous r\u00e9ellement besoin ?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/fr\/how-to-check-vram-2026\/#Frequently_Asked_Questions\" >Questions fr\u00e9quemment pos\u00e9es<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_Windows\"><\/span>Comment v\u00e9rifier la VRAM sous Windows<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Gestionnaire des t\u00e2ches \u2014 la m\u00e9thode la plus rapide<\/h3>\n<ol>\n<li>Presse <strong>Ctrl+Maj+\u00c9chap<\/strong> pour ouvrir le Gestionnaire des t\u00e2ches.<\/li>\n<li>Acc\u00e9dez \u00e0 l'onglet <strong>Performance<\/strong> (sous Windows 10, cliquez d'abord sur <em>Plus de d\u00e9tails<\/em> si vous voyez l'affichage compact).<\/li>\n<li>Cliquer <strong>GPU 0<\/strong> dans la barre lat\u00e9rale gauche. Les ordinateurs portables avec un GPU int\u00e9gr\u00e9 et une GPU discret affichent \u00e9galement <strong>GPU 1<\/strong> \u2014 la carte discr\u00e8te est g\u00e9n\u00e9ralement GPU 1.<\/li>\n<li>Lire <strong>M\u00e9moire GPU d\u00e9di\u00e9e<\/strong> dans la zone inf\u00e9rieure droite. C'est votre VRAM physique, affich\u00e9e comme utilis\u00e9e \/ totale (par exemple, 2,1 \/ 24,0 Go).<\/li>\n<\/ol>\n<p>Ignorez la ligne <em>M\u00e9moire GPU<\/em> qui ajoute <em>la m\u00e9moire GPU partag\u00e9e<\/em> (la RAM syst\u00e8me que le GPU est autoris\u00e9 \u00e0 emprunter) au chiffre d\u00e9di\u00e9, ce qui fait ressembler une carte de 8 Go \u00e0 une de 24 Go. Plus de d\u00e9tails sur cette distinction ci-dessous.<\/p>\n<h3>dxdiag<\/h3>\n<p>Presse <strong>Win+R<\/strong>, tapez <code>dxdiag<\/code>, appuyez sur Entr\u00e9e, puis ouvrez l'onglet <strong>Affichage<\/strong> Le champ <em>M\u00e9moire d'affichage (VRAM)<\/em> affiche ce que DirectX rapporte. Un avertissement : selon le pilote, dxdiag fusionne parfois la m\u00e9moire syst\u00e8me partag\u00e9e dans ce chiffre, il peut donc \u00eatre sup\u00e9rieur \u00e0 la v\u00e9ritable VRAM de la carte. Consid\u00e9rez le chiffre d\u00e9di\u00e9 du Gestionnaire des t\u00e2ches ou <code>nvidia-smi<\/code> comme source de confiance.<\/p>\n<h3>Param\u00e8tres \u2192 Affichage \u2192 Param\u00e8tres d'affichage avanc\u00e9s<\/h3>\n<p>Ouvrir <strong>Param\u00e8tres \u2192 Syst\u00e8me \u2192 Affichage \u2192 Param\u00e8tres d'affichage avanc\u00e9s<\/strong>, puis cliquez sur <strong>Propri\u00e9t\u00e9s de l'adaptateur d'affichage pour l'affichage 1<\/strong>. L'onglet Adaptateur indique <em>M\u00e9moire vid\u00e9o d\u00e9di\u00e9e<\/em> en Mo. Le libell\u00e9 exact diff\u00e8re l\u00e9g\u00e8rement entre Windows 10 et Windows 11, mais le chemin est le m\u00eame.<\/p>\n<h3>nvidia-smi \u2014 le chiffre exact<\/h3>\n<p>Si vous poss\u00e9dez un GPU NVIDIA, le pilote installe un outil en ligne de commande qui rapporte la m\u00e9moire au m\u00e9bioctet. Ouvrez PowerShell ou Command Prompt et ex\u00e9cutez :<\/p>\n<pre><code>nvidia-smi<\/code><\/pre>\n<p>La colonne m\u00e9moire affiche l'utilisation actuelle par rapport au total r\u00e9el \u2014 par exemple <code>3216MiB \/ 24564MiB<\/code> sur une RTX 4090 \u2014 et la liste des processus au bas montre quels programmes retiennent la m\u00e9moire. Pour un affichage propre et lisible par machine :<\/p>\n<pre><code>nvidia-smi --query-gpu=memory.total,memory.used,memory.free --format=csv<\/code><\/pre>\n<p>Si la commande n'est pas trouv\u00e9e, les pilotes r\u00e9cents la placent \u00e0 <code>C:WindowsSystem32nvidia-smi.exe<\/code>; les anciennes versions de pilotes utilisaient <code>C:Program FilesNVIDIA CorporationNVSMI<\/code>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_macOS\"><\/span>Comment v\u00e9rifier la VRAM sous macOS<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Cliquez sur le menu Apple \u2192 <strong>\u00c0 propos de ce Mac<\/strong>.<\/p>\n<ul>\n<li><strong>Apple Silicon (M1 et versions ult\u00e9rieures) :<\/strong> vous verrez un nom de puce et un chiffre <em>M\u00e9moire<\/em> tel que 16 Go, 36 Go ou 128 Go. C'est <strong>m\u00e9moire unifi\u00e9e<\/strong> \u2014 un seul pool partag\u00e9 par le CPU et le GPU. Il n'y a pas de chiffre VRAM s\u00e9par\u00e9 car il n'y a pas de VRAM s\u00e9par\u00e9e.<\/li>\n<li><strong>Macs Intel :<\/strong> les GPU discrets sont list\u00e9s avec un chiffre VRAM d\u00e9di\u00e9, par exemple \u00ab Radeon Pro 5500M 8 GB \u00bb.<\/li>\n<\/ul>\n<p>Pour plus de d\u00e9tails, ouvrez <strong>\u00c0 propos de ce Mac \u2192 Plus d'infos \u2192 Rapport syst\u00e8me<\/strong> et s\u00e9lectionner <strong>Graphiques\/Affichages<\/strong>, ou ex\u00e9cutez ceci dans Terminal:<\/p>\n<pre><code>system_profiler SPDisplaysDataType<\/code><\/pre>\n<p>Sur les machines Intel, cela affiche une ligne <code>VRAM (Totale)<\/code> ; sur Apple Silicon, elle liste \u00e0 la place la puce et le nombre de c\u0153urs GPU.<\/p>\n<h3>Pourquoi la m\u00e9moire unifi\u00e9e change la donne<\/h3>\n<p>Sur Apple Silicon, le GPU peut acc\u00e9der \u00e0 la plupart \u2014 mais pas la totalit\u00e9 \u2014 de la m\u00e9moire syst\u00e8me. macOS en r\u00e9serve une partie pour elle-m\u00eame, et par d\u00e9faut la limite d'ensemble de travail du GPU s'\u00e9tablit \u00e0 peu pr\u00e8s entre les deux tiers et les trois quarts de la RAM totale ; le plafond exact varie selon la taille de la RAM et la version de macOS. En pratique, un MacBook Pro 36 GB peut charger des mod\u00e8les qui n\u00e9cessiteraient un GPU discret 24 GB sur un PC. Les outils local-LLM affichent directement la limite utilisable \u2014 consultez le <a href=\"https:\/\/convly.ai\/fr\/lm-studio-complete-guide-2026\/\">guide LM Studio<\/a> et le <a href=\"https:\/\/convly.ai\/fr\/what-is-ollama-complete-guide-2026\/\">guide Ollama<\/a> pour savoir comment chacun la rapporte. Le compromis est la bande passante m\u00e9moire, qui varie largement entre les puces base, Pro, Max et Ultra et affecte directement les tokens par seconde.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_Linux\"><\/span>Comment v\u00e9rifier la VRAM sous Linux<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>NVIDIA : nvidia-smi<\/h3>\n<p>Install\u00e9 avec le pilote propri\u00e9taire. Ex\u00e9cutez <code>nvidia-smi<\/code> pour un instantan\u00e9, ou rafra\u00eechissez chaque seconde pendant le chargement d'un mod\u00e8le :<\/p>\n<pre><code>nvidia-smi -l 1<\/code><\/pre>\n<h3>AMD : rocm-smi ou sysfs<\/h3>\n<p>Avec la pile ROCm install\u00e9e :<\/p>\n<pre><code>rocm-smi --showmeminfo vram<\/code><\/pre>\n<p>Sans ROCm, le pilote du noyau <code>amdgpu<\/code> expose le total directement (en octets ; votre carte pourrait \u00eatre <code>card1<\/code> \u2014 v\u00e9rifiez <code>ls \/sys\/class\/drm\/<\/code>):<\/p>\n<pre><code>cat \/sys\/class\/drm\/card0\/device\/mem_info_vram_total<\/code><\/pre>\n<h3>Tout GPU : glxinfo<\/h3>\n<p>Installer <code>mesa-utils<\/code> (Debian\/Ubuntu) ou <code>glx-utils<\/code> (Fedora), puis :<\/p>\n<pre><code>glxinfo -B | grep -i memory<\/code><\/pre>\n<p>Les pilotes Mesa affichent une ligne comme <code>Video memory: 8192MB<\/code>; le libell\u00e9 exact varie selon le pilote.<\/p>\n<h3>lspci \u2014 identifie la carte, pas la VRAM<\/h3>\n<pre><code>lspci | grep -iE 'vga|3d'<\/code><\/pre>\n<p><code>sudo lspci -v -s <\/code> affiche ensuite les ouvertures m\u00e9moire de la carte, mais attention : ce sont les tailles de BAR PCI, qui ne correspondent \u00e0 la VRAM totale que si Resizable BAR est activ\u00e9e. Utilisez <code>lspci<\/code> pour identifier le mod\u00e8le GPU exact, puis obtenez la figure de m\u00e9moire dans les outils ci-dessus ou la fiche technique de la carte.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Total_vs_Free_vs_Shared_What_the_Numbers_Mean\"><\/span>Total vs. Disponible vs. Partag\u00e9e : ce que les chiffres signifient<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<table>\n<thead>\n<tr>\n<th>Nombre<\/th>\n<th>O\u00f9 vous le voyez<\/th>\n<th>Ce que cela signifie pour les LLM<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>VRAM d\u00e9di\u00e9e (totale)<\/td>\n<td>Gestionnaire des t\u00e2ches \u00ab M\u00e9moire GPU d\u00e9di\u00e9e \u00bb ; <code>nvidia-smi<\/code> total<\/td>\n<td>M\u00e9moire physique sur la carte. C'est le budget strict pour les poids du mod\u00e8le.<\/td>\n<\/tr>\n<tr>\n<td>VRAM libre<\/td>\n<td><code>nvidia-smi<\/code> <code>memory.free<\/code><\/td>\n<td>Ce qui est disponible maintenant. Le bureau, les onglets du navigateur et autres applications occupent g\u00e9n\u00e9ralement 0,5\u20132 GB.<\/td>\n<\/tr>\n<tr>\n<td>la m\u00e9moire GPU partag\u00e9e<\/td>\n<td>Gestionnaire des t\u00e2ches \u00ab M\u00e9moire GPU partag\u00e9e \u00bb<\/td>\n<td>RAM syst\u00e8me (jusqu'\u00e0 environ la moiti\u00e9) dans laquelle le GPU peut d\u00e9border via PCIe. Beaucoup plus lent que la VRAM \u2014 ne le comptez pas lors du dimensionnement d'un mod\u00e8le.<\/td>\n<\/tr>\n<tr>\n<td>M\u00e9moire unifi\u00e9e (Apple Silicon)<\/td>\n<td>\u00c0 propos de ce Mac \u00ab M\u00e9moire \u00bb<\/td>\n<td>Un pool CPU+GPU unique. Le GPU peut l'utiliser en majeure partie, donc il se comporte comme un grand pool VRAM avec une bande passante d\u00e9pendant de la puce.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Lors du chargement d'un mod\u00e8le, ce qui compte est <em>libre<\/em> VRAM, pas totale. Une carte 12 GB avec 1,5 GB d\u00e9j\u00e0 consomm\u00e9e par le composeur et un navigateur dispose d'environ 10,5 GB \u2014 suffisant pour faire \u00e9chouer le chargement d'un mod\u00e8le qui \u00ab devrait tenir \u00bb. Sur NVIDIA, la liste par processus au bas de la sortie <code>nvidia-smi<\/code> vous dit exactement quoi fermer.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_Much_VRAM_Do_You_Actually_Need\"><\/span>Combien de VRAM avez-vous r\u00e9ellement besoin ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La question derri\u00e8re la question. \u00c0 la quantification 4-bit \u2014 le standard pour l'inf\u00e9rence locale \u2014 les poids du mod\u00e8le occupent environ 0,5\u20130,6 GB par milliard de param\u00e8tres, plus un cache KV qui cro\u00eet avec la longueur du contexte. Guide approximatif :<\/p>\n<table>\n<thead>\n<tr>\n<th>taille du mod\u00e8le<\/th>\n<th>Poids 4-bit (approx.)<\/th>\n<th>VRAM pour fonctionner confortablement<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>7\u20138B<\/td>\n<td>4\u20135 Go<\/td>\n<td>6\u20138 Go<\/td>\n<\/tr>\n<tr>\n<td>12\u201314B<\/td>\n<td>7\u20139 Go<\/td>\n<td>10\u201312 Go<\/td>\n<\/tr>\n<tr>\n<td>24\u201332B<\/td>\n<td>13\u201319 Go<\/td>\n<td>16\u201324 Go<\/td>\n<\/tr>\n<tr>\n<td>70B<\/td>\n<td>36\u201342 Go<\/td>\n<td>48 Go, ou r\u00e9partis sur deux GPU<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>La colonne \u00ab confortable \u00bb suppose un contexte mod\u00e9r\u00e9 (4 000 \u00e0 8 000 tokens) ; les tr\u00e8s longs contextes ajoutent plusieurs gigaoctets de cache KV par-dessus. Pour les chiffres par mod\u00e8le, consultez le <a href=\"https:\/\/convly.ai\/fr\/vram-requirements-every-major-llm-2026\/\">tableau des exigences VRAM pour chaque LLM majeur<\/a> ou parcourez le <a href=\"https:\/\/convly.ai\/fr\/models\/\">base de donn\u00e9es de mod\u00e8les<\/a>. Pour votre combinaison exacte de mod\u00e8le, quantification et longueur de contexte, utilisez le <a href=\"https:\/\/convly.ai\/fr\/llm-vram-calculator\/\">calculatrice VRAM<\/a>. Si votre carte n'est pas suffisante, le <a href=\"https:\/\/convly.ai\/fr\/best-gpus-for-local-llms-2026\/\">meilleurs GPUs pour les LLMs locaux<\/a> guide classe les options de mise \u00e0 niveau par Go de VRAM par dollar \u2014 et si une nouvelle GPU ne vaut pas le coup, le <a href=\"https:\/\/convly.ai\/fr\/self-hosting-vs-api-calculator\/\">calculateur de seuil de rentabilit\u00e9 self-hosting vs. API<\/a> indique quand payer \u00e0 la demande revient moins cher.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_Asked_Questions\"><\/span>Questions fr\u00e9quemment pos\u00e9es<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Puis-je augmenter la VRAM de ma carte graphique ?<\/h3>\n<p>Non sur une GPU discr\u00e8te \u2014 les puces m\u00e9moire sont soud\u00e9es \u00e0 la carte, donc la seule mise \u00e0 niveau est une carte diff\u00e9rente. Les GPU int\u00e9gr\u00e9s sont l'exception : certains r\u00e9glages BIOS\/UEFI vous permettent de modifier l'allocation RAM (souvent \u00e9tiquet\u00e9e \u00ab UMA Frame Buffer Size \u00bb ou similaire). La m\u00e9moire GPU partag\u00e9e de Windows n'est pas une VRAM suppl\u00e9mentaire et ne change pas ce qui s'adapte \u00e0 pleine vitesse.<\/p>\n<h3>Pourquoi Windows rapporte-t-il plus de m\u00e9moire GPU que ma carte n'en poss\u00e8de ?<\/h3>\n<p>La ligne \u00ab GPU Memory \u00bb du Gestionnaire des t\u00e2ches est la VRAM d\u00e9di\u00e9e plus la m\u00e9moire syst\u00e8me partag\u00e9e, et dxdiag peut gonfler ce chiffre de la m\u00eame fa\u00e7on. La VRAM physique est la valeur \u00ab Dedicated GPU memory \u00bb, ou le total que <code>nvidia-smi<\/code> affiche. Une carte de 8 Go sur un PC de 32 Go affichera souvent 24 Go de \u00ab GPU Memory \u00bb \u2014 seuls 8 Go en sont de la vraie VRAM.<\/p>\n<h3>La m\u00e9moire GPU partag\u00e9e aide-t-elle \u00e0 ex\u00e9cuter des LLM plus volumineux ?<\/h3>\n<p>Pas vraiment. Des runtimes comme llama.cpp et Ollama peuvent d\u00e9lib\u00e9r\u00e9ment d\u00e9charger les couches vers la RAM syst\u00e8me, ce qui permet \u00e0 un mod\u00e8le surdimensionn\u00e9 de fonctionner \u2014 mais la vitesse de g\u00e9n\u00e9ration chute g\u00e9n\u00e9ralement de dizaines de tokens par seconde \u00e0 peu de chiffres simples. Dimensionnez votre mod\u00e8le \u00e0 la VRAM d\u00e9di\u00e9e et traitez le d\u00e9chargement RAM comme un plan B, non comme un plan.<\/p>\n<h3>Combien de VRAM un mod\u00e8le 7B ou 8B n\u00e9cessite-t-il ?<\/h3>\n<p>Environ 4\u20135 Go pour les poids en 4-bit, donc une carte de 6\u20138 Go en ex\u00e9cute un confortablement avec de la place pour le contexte. Un GPU de 8 Go g\u00e8re bien la classe 7\u20138B ; 12 Go ouvre les mod\u00e8les 12\u201314B. Le <a href=\"https:\/\/convly.ai\/fr\/best-local-llms-to-run-on-ollama-2026\/\">guide des meilleurs mod\u00e8les locaux pour Ollama<\/a> classe les mod\u00e8les populaires par niveaux VRAM.<\/p>\n<h3>La m\u00e9moire unifi\u00e9e sur un Mac est-elle la m\u00eame chose que la VRAM ?<\/h3>\n<p>Pour ex\u00e9cuter des LLM, \u00e0 peu pr\u00e8s : le GPU adresse un pool partag\u00e9, jusqu'\u00e0 une limite fix\u00e9e par le syst\u00e8me d'environ deux tiers \u00e0 trois quarts de la RAM totale. Cela signifie qu'un Mac de 32 Go peut ex\u00e9cuter des mod\u00e8les qu'un GPU PC de 12 Go ne peut pas. La diff\u00e9rence se manifeste dans la bande passante m\u00e9moire, qui varie plusieurs fois entre les puces de base et Max\/Ultra, et fixe votre plafond de tokens par seconde.<\/p>\n<h3>Comment surveiller l'utilisation VRAM pendant qu'un mod\u00e8le s'ex\u00e9cute ?<\/h3>\n<p>Sur NVIDIA (n'importe quel OS), ex\u00e9cutez <code>nvidia-smi -l 1<\/code> pour une actualisation une fois par seconde. Sous Windows, le volet GPU du Gestionnaire des t\u00e2ches se met \u00e0 jour en direct. Sur AMD Linux, utilisez <code>watch -n 1 rocm-smi --showmeminfo vram<\/code>; sur un Mac, les poids du mod\u00e8le apparaissent comme m\u00e9moire de processus ordinaire dans l'onglet Memory du Moniteur d'activit\u00e9, puisque le pool est unifi\u00e9.<\/p>","protected":false},"excerpt":{"rendered":"<p>Windows: press Ctrl+Shift+Esc \u2192 Performance \u2192 GPU and read Dedicated GPU memory.<\/p>","protected":false},"author":1,"featured_media":2084,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[9],"tags":[],"class_list":["post-2083","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tutorials"],"_links":{"self":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts\/2083","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/comments?post=2083"}],"version-history":[{"count":2,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts\/2083\/revisions"}],"predecessor-version":[{"id":2298,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts\/2083\/revisions\/2298"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/media\/2084"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/media?parent=2083"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/categories?post=2083"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/tags?post=2083"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}