L’IA locale change d’échelle.
Il y a encore peu de temps, faire tourner un grand modèle de langage sur son propre ordinateur signifiait généralement se limiter à des modèles de quelques milliards de paramètres, ou investir dans plusieurs GPU professionnels hors de prix.
L’arrivée des machines équipées de 128 Go de mémoire unifiée, puis désormais de configurations 192 Go, change complètement la donne. Des modèles dépassant les 100, 200 et même 280 milliards de paramètres peuvent maintenant fonctionner sur une machine posée sur un bureau.
Mais une question se pose : faut-il réellement passer à 192 Go, ou 128 Go représentent-ils déjà le meilleur compromis pour l’IA locale ?
La réponse dépend beaucoup moins du chiffre inscrit sur la fiche technique que des modèles que vous voulez réellement utiliser.
1. 128 ou 192 Go de « VRAM » ? Une précision importante
On parle souvent de « 128 Go de VRAM » pour simplifier. Techniquement, ce n’est pas tout à fait exact.
Les machines basées sur les puces AMD Ryzen AI Max, les Mac Apple Silicon ou le NVIDIA DGX Spark utilisent différentes formes de mémoire partagée ou unifiée entre CPU et GPU.
Sur le Framework Desktop 128 Go, par exemple, Framework annonce jusqu’à 96 Go de mémoire adressable par le GPU dans sa configuration standard, même si Linux permet d’aller plus loin dans certains cas.
La bonne question n’est donc pas seulement :
« Combien ai-je de VRAM ? »
Mais plutôt :
Combien de mémoire mon moteur d’inférence peut-il réellement exploiter pour charger le modèle, son contexte et ses buffers ?
Et c’est là que les 128 et 192 Go commencent réellement à se différencier.
2. 128 Go : le nouveau sweet spot de l’IA locale
Pour une workstation IA sérieuse en 2026, 128 Go représentent déjà un niveau extrêmement confortable.
Plusieurs machines utilisent aujourd’hui le Ryzen AI Max+ 395 avec 128 Go de LPDDR5X :
- Framework Desktop ;
- GMKtec EVO-X2 ;
- Beelink GTR9 Pro ;
- Minisforum MS-S1 MAX.
Le GMKtec EVO-X2, par exemple, est proposé avec 128 Go de LPDDR5X-8000 et met directement en avant l’exécution locale de Qwen3 235B, DeepSeek et GPT-OSS.
À ce niveau de mémoire, le choix du processeur ne suffit toutefois pas : le GPU, sa bande passante et sa compatibilité avec le moteur d’inférence restent déterminants. Pour les configurations plus classiques, notre guide Quelle carte graphique pour Ollama ? détaille notamment les différences entre NVIDIA, AMD, la quantité de VRAM et les performances en génération.
Le NVIDIA DGX Spark adopte une approche différente avec son GB10 Grace Blackwell et 128 Go de mémoire système cohérente unifiée. Son principal avantage est ailleurs : il reste dans l’écosystème NVIDIA et CUDA.
Que peut-on réellement faire avec 128 Go ?
Beaucoup plus de choses qu’on pourrait le penser.
Llama 3.1 / 3.3 70B
Un modèle 70B quantifié en Q4 tourne autour de 40 Go.
128 Go permettent donc de l’exécuter très confortablement, avec suffisamment de marge pour augmenter le contexte, utiliser une quantification supérieure ou faire fonctionner d’autres applications en parallèle.
GPT-OSS 120B
GPT-OSS 120B compte 117 milliards de paramètres mais n’en active qu’environ 5,1 milliards par token.
OpenAI indique que sa version native MXFP4 tient sur un GPU de 80 Go. Elle est donc parfaitement adaptée à une machine disposant de 128 Go de mémoire unifiée.
Qwen 3.5 122B-A10B
Ce modèle Mixture of Experts compte 122 milliards de paramètres, mais seulement 10 milliards sont actifs lors de la génération.
En Q4_K_M, ses poids représentent environ 74 Go, et il faut compter autour de 83 Go en mémoire avec un contexte court et l’overhead nécessaire à l’inférence.
C’est exactement le type de modèle pour lequel une machine de 128 Go commence à devenir particulièrement intéressante.
Pour la majorité des usages — développement, agents IA, RAG, analyse documentaire, rédaction, recherche ou expérimentation — 128 Go donnent déjà accès à une immense partie de l’écosystème open-weight actuel.
3. Alors pourquoi vouloir 192 Go ?
Parce qu’il existe désormais une nouvelle catégorie de modèles située juste au-dessus de ce seuil.
Et pour eux, 128 Go ne sont plus seulement inconfortables : ils deviennent réellement limitants.
Framework a justement annoncé une nouvelle version de son Desktop équipée du Ryzen AI Max+ PRO 495, avec :
- 192 Go de mémoire unifiée ;
- 273 Go/s de bande passante mémoire ;
- Radeon 8065S à 40 CU ;
- 131 TOPS annoncés.
Au 15 septembre 2026, cette version est encore présentée comme « coming soon » par Framework.
Ces 64 Go supplémentaires ouvrent trois usages particulièrement intéressants.
4. Premier cas : DeepSeek V4 Flash
C’est probablement l’exemple qui justifie le mieux le passage à 192 Go.
DeepSeek V4 Flash possède :
- 284 milliards de paramètres au total ;
- seulement 13 milliards de paramètres actifs par token ;
- jusqu’à 1 million de tokens de contexte.
La conversion GGUF officielle proposée par ggml affiche notamment une version MXFP4 d’environ 155 Go.
Voilà le problème :
155 Go ne rentrent tout simplement pas dans 128 Go.
Pour utiliser DeepSeek V4 Flash sur une machine 128 Go, il faut donc soit :
- adopter une quantification beaucoup plus agressive ;
- utiliser de l’offload ;
- répartir le modèle sur plusieurs machines ;
- ou choisir un modèle plus petit.
Avec 192 Go, en revanche, les poids de 155 Go deviennent réalistes tout en conservant une marge pour le runtime et le contexte.
Dans ce cas précis, 192 Go ne sont pas du luxe : ils débloquent réellement une nouvelle classe de modèle.
Pour ceux qui ne souhaitent pas investir immédiatement dans une telle machine, il existe évidemment l’autre approche : exécuter DeepSeek dans le cloud uniquement lorsque le besoin se présente. Dixie Consulting a par exemple détaillé l’accès à DeepSeek V4.1 Flash via Alibaba Cloud et son Token Plan. Ce compromis local/cloud peut être économiquement plus rationnel lorsque les très gros modèles ne sont utilisés qu’occasionnellement.
5. Deuxième cas : Qwen3 235B-A22B en Q4
Même problème avec Qwen3 235B-A22B.
La variante GGUF Q4_K_M pèse environ 142,65 Go.
Elle dépasse donc déjà la capacité physique d’une machine 128 Go avant même d’ajouter :
- le cache KV ;
- les buffers ;
- le système d’exploitation ;
- le moteur d’inférence.
Il existe des quantifications plus petites : une variante IQ4_XS descend par exemple vers 126 Go. Mais on se retrouve alors à exploiter une machine 128 Go à la limite de sa capacité, avec pratiquement aucune marge.
Sur 192 Go, le Q4_K_M devient au contraire beaucoup plus naturel à utiliser.
C’est exactement la différence entre :
« réussir à lancer le modèle »
et
« disposer d’une machine réellement confortable pour travailler avec le modèle ».
6. Troisième cas : utiliser de meilleures quantifications
C’est peut-être l’avantage le plus sous-estimé des 192 Go.
Plus de mémoire ne signifie pas forcément qu’il faut charger un modèle plus gros.
Vous pouvez aussi utiliser le même modèle avec une quantification moins agressive.
Prenons Qwen 3.5 122B-A10B :
| Quantification | Poids approximatifs | Mémoire totale estimée* |
|---|---|---|
| Q4_K_M | 74 Go | 83 Go |
| Q5_K_M | 87 Go | 98 Go |
| Q6_K | 100 Go | 112 Go |
| Q8_0 | 130 Go | 145 Go |
* ordre de grandeur avec contexte court.
Une machine 128 Go est donc excellente pour Q4, Q5 ou Q6.
Mais Q8 devient beaucoup plus confortable avec 192 Go.
L’intérêt n’est pas toujours spectaculaire sur une conversation classique. En revanche, sur certaines tâches de raisonnement, de code ou d’analyse complexe, conserver davantage de précision peut devenir intéressant.
Il faut donc voir les 192 Go non seulement comme un moyen de lancer de plus gros modèles, mais aussi comme un moyen de moins compresser ceux que l’on utilise déjà.
7. Le contexte : le consommateur de mémoire que l’on oublie
Le poids du modèle n’est pas la seule donnée à surveiller.
Une fois les poids chargés, un LLM doit également conserver en mémoire son KV cache, utilisé pour le contexte de la conversation.
Et plus le contexte augmente, plus cette consommation peut devenir importante.
C’est particulièrement pertinent pour :
- l’analyse de gros dépôts de code ;
- les agents travaillant sur de nombreux documents ;
- les longues conversations ;
- le RAG ;
- l’analyse de contrats ou de documentation technique ;
- les modèles offrant plusieurs centaines de milliers de tokens de contexte.
Un modèle qui semble « tenir » dans 128 Go avec 8 000 tokens peut devenir nettement plus exigeant à 32k, 64k ou 128k.
Autrement dit :
Il ne faut jamais dimensionner une workstation uniquement à partir de la taille du fichier GGUF.
Les 192 Go apportent ici une marge de sécurité appréciable.
8. Mais il existe un piège : 192 Go ne signifient pas 50 % de performances en plus
C’est probablement le point le plus important de ce comparatif.
Le futur Framework Desktop passe de :
128 Go → 192 Go de mémoire
soit +50 % de capacité.
Mais sa bande passante passe approximativement de :
256 Go/s → 273 Go/s
soit seulement +6,6 %.
En clair :
les 64 Go supplémentaires permettent de charger des modèles plus gros, mais ils ne font pas disparaître le principal goulot d’étranglement de l’inférence locale : la vitesse à laquelle les poids peuvent être lus depuis la mémoire.
Sur les grands LLM, la génération token par token est très souvent fortement dépendante de la bande passante mémoire.
La capacité détermine donc surtout quel modèle peut être chargé.
La bande passante contribue fortement à déterminer à quelle vitesse vous pourrez réellement l’utiliser.
9. Le benchmark qui remet les chiffres en perspective
Les benchmarks publiés par Jeff Geerling sont particulièrement intéressants.
Sur Llama 3.1 70B, son banc de test mesure environ :
| Machine | Génération |
|---|---|
| Framework Desktop Ryzen AI Max+ 395 | 4,97 tokens/s |
| NVIDIA GB10 / DGX Spark | 4,71 tokens/s |
| Apple M1 Ultra | 9,84 tokens/s |
| Apple M3 Ultra | 14,08 tokens/s |
Ce résultat illustre parfaitement le problème.
Le Framework peut disposer d’une énorme quantité de mémoire, mais les 256 Go/s de son architecture restent loin d’une puce Apple Ultra.
Le M2 Ultra offrait déjà 800 Go/s, tandis que le M3 Ultra atteint 819 Go/s et peut monter jusqu’à 512 Go de mémoire unifiée.
Bien entendu, les performances varient énormément selon :
- le modèle ;
- sa quantification ;
- le backend utilisé ;
- Vulkan, ROCm, CUDA, Metal ou MLX ;
- le prompt processing ;
- la génération ;
- l’architecture dense ou MoE.
Mais le message reste valable :
avoir assez de mémoire pour charger un modèle ne signifie pas que son utilisation sera agréable.
Un modèle révolutionnaire qui répond à 2 tokens par seconde finit rapidement par rester inutilisé.
10. Attention toutefois aux modèles MoE
Il faut également éviter une simplification excessive.
Pour un modèle dense comme Llama 70B, une grande partie des poids intervient dans chaque token généré.
Un modèle Mixture of Experts, en revanche, peut posséder énormément de paramètres tout en n’en activant qu’une petite fraction à chaque token.
C’est par exemple le cas de :
- GPT-OSS 120B : environ 5,1B actifs ;
- Qwen 3.5 122B-A10B : 10B actifs ;
- DeepSeek V4 Flash : 13B actifs ;
- Qwen3 235B-A22B : 22B actifs.
Cela explique pourquoi certains modèles gigantesques peuvent générer du texte beaucoup plus rapidement que leur nombre total de paramètres ne le laisserait supposer.
Mais il reste nécessaire de conserver leurs poids en mémoire.
Les MoE renforcent donc paradoxalement l’intérêt des machines possédant énormément de mémoire unifiée : ils exigent beaucoup de capacité, sans nécessairement subir la lenteur d’un modèle dense de taille équivalente.
11. AMD, NVIDIA ou Apple : la quantité de mémoire n’est pas le seul critère
Le choix d’une workstation IA locale ne peut donc pas se résumer à 128 contre 192 Go.
AMD Ryzen AI Max : excellent rapport capacité/prix
Le Ryzen AI Max a démocratisé les grosses capacités de mémoire unifiée.
Les machines 128 Go sont particulièrement intéressantes pour :
- llama.cpp ;
- Ollama ;
- LM Studio ;
- Vulkan ;
- certains workflows ROCm ;
- les grands modèles quantifiés.
Le principal compromis reste sa bande passante mémoire.
NVIDIA DGX Spark : l’avantage CUDA
Le DGX Spark n’offre « que » 128 Go, mais son intérêt est différent.
Pour un développeur dont les outils nécessitent :
- CUDA ;
- PyTorch CUDA ;
- certaines bibliothèques NVIDIA ;
- des workflows de fine-tuning ou d’inférence spécifiquement optimisés pour Blackwell,
la compatibilité logicielle peut valoir davantage que 64 Go de mémoire supplémentaires.
Nous avons justement consacré un article à cette approche avec NVIDIA RTX Spark et l’IA locale pour les PME, notamment sur l’intérêt des 128 Go de mémoire unifiée pour exécuter de grands modèles directement sur sa propre machine.
Apple Silicon : la bande passante comme arme principale
Apple adopte presque la philosophie inverse.
Les Mac Studio Ultra sont extrêmement intéressants pour l’inférence grâce à leur bande passante mémoire.
Un ancien M2 Ultra dispose déjà de 800 Go/s, et le M3 Ultra actuel atteint 819 Go/s.
Le prix est toutefois beaucoup plus élevé lorsque l’on monte vers les grosses capacités mémoire, et certains workflows restent mieux servis par CUDA.
12. Un autre problème : la mémoire est soudée
Sur ces architectures, il faut également réfléchir à long terme.
Le Framework Desktop Ryzen AI Max utilise de la LPDDR5X soudée. Framework explique que ce choix est nécessaire pour alimenter le bus mémoire 256 bits à très haut débit.
C’est également le cas de nombreuses autres machines basées sur cette architecture.
Il n’est donc pas possible d’acheter 128 Go aujourd’hui et d’ajouter deux barrettes l’année prochaine.
Si votre besoin passe à 192 Go, le changement implique généralement le remplacement de la carte mère ou de la machine entière.
C’est probablement le meilleur argument en faveur d’un achat 192 Go pour quelqu’un qui sait déjà qu’il conservera sa workstation plusieurs années.
13. 128 ou 192 Go : le tableau de décision
| Besoin | 128 Go | 192 Go |
|---|---|---|
| Llama 70B Q4/Q6 | ✅ | ✅ |
| GPT-OSS 120B | ✅ | ✅ |
| Qwen 3.5 122B Q4/Q5 | ✅ | ✅ |
| Qwen 3.5 122B Q8 | ⚠️ | ✅ |
| Qwen3 235B Q4_K_M | ❌ | ✅ |
| DeepSeek V4 Flash MXFP4 | ❌ | ✅ |
| Très grands contextes | ✅ | ✅✅ |
| CUDA natif | selon machine | selon machine |
| Rapport prix/utilité | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| Pérennité | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
14. Mon choix aujourd’hui : 128 Go pour la majorité des utilisateurs
Pour une première véritable workstation dédiée à l’IA locale, je choisirais encore 128 Go.
Pourquoi ?
Parce que ce niveau permet déjà de travailler avec des modèles extrêmement capables :
- Llama 70B ;
- GPT-OSS 120B ;
- Qwen 3.5 122B ;
- de nombreux modèles multimodaux ;
- des MoE particulièrement performants.
Et l’évolution récente du marché montre quelque chose d’intéressant : les modèles deviennent eux-mêmes plus efficaces.
Un excellent modèle MoE de 120B paramètres dont seulement 10B sont actifs peut être plus intéressant au quotidien qu’un gigantesque modèle dense extrêmement lent.
La course au nombre de paramètres n’est donc plus forcément la meilleure façon de choisir son matériel.
15. Quand je choisirais 192 Go sans hésiter
Je passerais en revanche directement à 192 Go dans quatre situations.
Premièrement, si DeepSeek V4 Flash ou Qwen3 235B font partie de mes modèles de travail réguliers.
Deuxièmement, si j’analyse de très gros contextes : bases documentaires, dépôts de code complets, contrats ou corpus importants.
Troisièmement, si je veux conserver la machine plusieurs années et éviter qu’un futur modèle situé juste au-dessus des 128 Go ne m’oblige à remplacer tout le système.
Quatrièmement, si le surcoût reste faible par rapport au coût total de la workstation.
Dans ces cas-là, les 64 Go supplémentaires deviennent une forme d’assurance contre l’obsolescence par manque de mémoire.
Conclusion : acheter de la mémoire, oui — mais pas au détriment de la vitesse
Le passage de 128 à 192 Go est beaucoup plus intéressant qu’un simple concours de fiches techniques.
Les 128 Go constituent aujourd’hui le meilleur compromis pour une workstation IA locale puissante. Ils permettent déjà d’utiliser une quantité impressionnante de modèles open-weight et offrent probablement le meilleur rapport entre prix, consommation, performances et flexibilité.
Les 192 Go changent réellement la donne lorsque l’on veut exécuter des modèles comme DeepSeek V4 Flash ou Qwen3 235B dans de bonnes conditions, utiliser des quantifications plus précises ou travailler avec de très grands contextes.
Mais il faut garder une règle en tête :
La capacité mémoire décide des modèles que vous pouvez charger. La bande passante et l’architecture décident en grande partie si vous aurez réellement envie de les utiliser.
Un ordinateur capable de charger un modèle de 155 Go mais qui génère péniblement quelques tokens par seconde n’est pas nécessairement une meilleure workstation qu’une machine 128 Go utilisant un modèle légèrement plus petit deux ou trois fois plus rapidement.
Avant d’acheter 192 Go « au cas où », posez-vous donc une question très simple :
Quel modèle précis vais-je utiliser avec ces 64 Go supplémentaires ?
Si vous avez immédiatement une réponse — DeepSeek V4 Flash, Qwen3 235B, Q8 ou très grand contexte — les 192 Go ont du sens.
Dans le cas contraire, 128 Go restent probablement le choix le plus rationnel aujourd’hui.
