Dans notre article sur l’IA locale, nous montrions qu’un petit modèle tourne sur n’importe quel ordinateur récent. Mais dès qu’on veut un modèle capable de raisonner sérieusement, de lire de longs documents ou de piloter des agents, sans qu’aucune donnée ne sorte de l’entreprise, la question devient matérielle : quelle machine acheter, et pour quel budget ?
Deux familles dominent en 2026 : les Mac à puce Apple (M5 Max, M5 Ultra) et les PC équipés d’une NVIDIA RTX 5090. Elles ne gagnent pas sur les mêmes terrains. Voici comment trancher, chiffres à l’appui. Si vous êtes pressé, le simulateur vous donne directement la bonne configuration et sa fourchette de prix.
En une phrase : la mémoire décide si un modèle tourne, la bande passante décide à quelle vitesse. Le nombre de cœurs vient après.
Les machines en présence (au 14 novembre 2026)
| Puce | GPU max | Mémoire max | Bande passante | Disponible dans |
|---|---|---|---|---|
| Apple M5 | 10 cœurs | 32 Go | 153 Go/s | MacBook Air, MacBook Pro |
| Apple M5 Pro | 20 cœurs | 64 Go | 307 Go/s | MacBook Pro 14” et 16” |
| Apple M5 Max | 40 cœurs | 128 Go | 614 Go/s | MacBook Pro 14” et 16”, Mac Studio |
| Apple M5 Ultra | 80 cœurs | 512 Go | 1,2 To/s | Mac Studio (depuis août 2026) |
| Apple M6 | 12 cœurs | 32 Go | 170 Go/s | MacBook Pro 14” (depuis le 6 novembre) |
| NVIDIA RTX 5090 | 21 760 cœurs CUDA | 32 Go (VRAM) | 1,8 To/s | PC fixe, 575 W pour la carte seule |
Les M6 Pro, M6 Max et M6 Ultra ne sont pas annoncés à ce jour. Tout chiffre qui circule à leur sujet est une projection.
La différence de fond tient dans une ligne : la RTX 5090 dispose de 32 Go de mémoire très rapide, réservée au GPU. Un Mac partage sa mémoire entre le processeur et le GPU (la « mémoire unifiée »), jusqu’à 128 Go sur un portable et 512 Go sur un Mac Studio. Les cœurs Apple et les cœurs CUDA ne se comparent pas entre eux : seules comptent les mesures sur une même tâche.
Deux architectures, deux écosystèmes
| Brique | NVIDIA | Apple |
|---|---|---|
| Calcul sur le GPU | CUDA (et OptiX pour le rendu 3D) | Metal |
| Frameworks IA | CUDA, cuDNN, TensorRT | MLX, Core ML, PyTorch via MPS |
| Accélérateurs IA | Tensor Cores | accélérateurs neuronaux dans chaque cœur GPU (depuis le M5) |
| Processeur neuronal séparé | aucun | Neural Engine |
| Mémoire | VRAM dédiée au GPU | mémoire unifiée partagée |
| Upscaling dans les jeux | DLSS 4 | MetalFX |
Le Neural Engine d’Apple n’est pas un « CUDA maison » : c’est un processeur spécialisé utilisé par Core ML et les fonctions intelligentes de macOS. Quand un LLM tourne sur Mac (LM Studio, Ollama, MLX), c’est le GPU qui travaille, aidé par ses accélérateurs neuronaux. Le logiciel décide de ce qui est sollicité.
Même prudence avec les « 3 352 TOPS IA » annoncés par NVIDIA pour la 5090 : c’est un maximum théorique, qui ne se compare ni à un chiffre Apple ni à une vitesse réelle. Pour un LLM, les seules métriques utiles sont les jetons par seconde, le temps avant le premier mot et la mémoire consommée.
Puissance graphique : le classement Blender
Le benchmark de rendu 3D Blender Open Data permet de situer toute la gamme sur une même échelle (RTX 5090 = 100 %).
| Machine | Score Blender | vs RTX 5090 | Statut |
|---|---|---|---|
| RTX 5090 | 15 079 | 100 % | mesuré |
| M5 Ultra 80 cœurs | 15 304 | 101 % | mesuré, peu d’échantillons |
| M5 Ultra 64 cœurs | 13 515 | 90 % | mesuré |
| M5 Max 40 cœurs | 8 123 | 54 % | mesuré |
| M5 Max 32 cœurs | 6 478 | 43 % | mesuré |
| M5 Pro 20 cœurs | 4 274 | 28 % | mesuré |
| M5 Pro 16 cœurs | 3 724 | 25 % | mesuré |
| M6 12 cœurs | 2 642 | 18 % | mesuré |
| M5 10 cœurs | 1 995 | 13 % | mesuré |
| M6 Pro | 5 300 à 6 000 | 35 à 40 % | projection |
| M6 Max | 10 150 à 11 400 | 67 à 75 % | projection |
| M6 Ultra | 19 100 à 21 400 | 127 à 142 % | projection |
Les projections M6 supposent un gain de 25 à 40 % sur la génération M5 équivalente. Le M6 standard progresse de 32 % sur le M5, mais avec deux cœurs GPU de plus : ce gain ne se transpose pas mécaniquement aux puces haut de gamme. À version identique de Blender, la 5090 garde environ 5 % d’avance sur le M5 Ultra, dont la médiane repose sur une dizaine de résultats seulement.
Pour le jeu vidéo, la RTX 5090 reste sans rival : catalogue Windows, DLSS 4, path tracing, compatibilité avec les anti-triche. Un bon score Blender ne dit rien des images par seconde dans un jeu. Pour le montage vidéo et la photo, les puces Apple disposent de moteurs ProRes dédiés et sont souvent plus pertinentes qu’une grosse station RTX.
Combien de mémoire pour quel modèle ?
Le calcul de base : mémoire des poids (Go) ≈ paramètres (milliards) × bits ÷ 8. Un modèle de 70 milliards de paramètres pèse environ 140 Go en 16 bits, 70 Go en 8 bits, 35 Go en 4 bits et 17 Go en 2 bits. Il faut ensuite ajouter le système, les autres logiciels et surtout le cache de contexte, qui grossit avec la longueur des documents traités.
Quelle compression choisir ?
| Format | Compromis | Usage conseillé |
|---|---|---|
| FP16 / BF16 | qualité d’origine, mémoire élevée | référence, entraînement |
| Q8 | perte très faible | production exigeante si la mémoire abonde |
| Q6 | bon compromis | travail professionnel |
| Q5 | excellent compromis courant | raisonnement et code |
| Q4 | bon rapport taille/qualité | le choix par défaut en local |
| Q3 | économise davantage | tester la dégradation |
| Q2 | agressif | quand Q4 ne tient pas |
| IQ1 | extrême | expérimentation seulement |
La grille mémoire
| Mémoire unifiée | Modèles confortables (Q4) | Niveau |
|---|---|---|
| 16 Go | jusqu’à 9-14B | assistant personnel |
| 24 Go | 14-27B, certains MoE 35B | polyvalent |
| 32 Go | 27-35B | bon point d’entrée professionnel |
| 48 Go | 35-70B selon le contexte | flexible |
| 64 Go | 70B, quelques 120B très compressés | première station IA sérieuse |
| 128 Go | 70-140B et gros MoE | niveau professionnel |
| 192 Go | 120-235B | gros modèles locaux |
| 256 Go | 235-320B, géants en compression extrême | usage avancé |
| 384-512 Go | 400B et plus | infrastructure IA locale lourde |
Le contexte change tout
Sur un MacBook Pro M5 Max 128 Go, avec le même modèle (Qwen3.5 35B A3B, 4 bits) :
| Taille du texte traité | Vitesse de génération | Mémoire utilisée |
|---|---|---|
| 1 000 jetons | 137 jetons/s | 19,3 Go |
| 8 000 jetons | 124 jetons/s | 20,5 Go |
| 32 000 jetons | 99 jetons/s | 22,5 Go |
| 64 000 jetons | 71 jetons/s | 25,2 Go |
| 128 000 jetons | 49 jetons/s | 30,5 Go |
| 195 000 jetons | 25 jetons/s | 36,2 Go |
Cinq fois plus lent et presque deux fois plus de mémoire entre une question courte et un gros dossier. Dimensionnez sur votre usage réel, pas sur la fiche du modèle.
Vitesse : ce que disent les mesures
Deux chiffres comptent : la vitesse de lecture du prompt (prefill) et la vitesse de génération de la réponse. Un modèle qui génère vite peut mettre longtemps à « lire » un gros document avant de répondre.
Pour produire une réponse de 1 000 jetons (environ 750 mots) :
| Vitesse | Durée de génération |
|---|---|
| 20 jetons/s | 50 s |
| 50 jetons/s | 20 s |
| 100 jetons/s | 10 s |
| 150 jetons/s | 6,7 s |
| 300 jetons/s | 3,3 s |
Pour converser, 30 à 50 jetons par seconde sont déjà confortables. Pour des agents qui enchaînent des dizaines d’appels, le débit et le temps de lecture deviennent déterminants.
Mac Studio M5 Ultra 256 Go (mesures MLX publiées fin octobre 2026, contexte 4K) :
| Modèle | Poids | Lecture | Génération |
|---|---|---|---|
| gpt-oss 20B | 12,1 Go | 11 190 jetons/s | 169 jetons/s |
| Qwen3.6 35B A3B (MoE) | 20,4 Go | 9 725 jetons/s | 144 jetons/s |
| Flint 40B A2.5B (MoE) | 22,6 Go | 9 095 jetons/s | 141 jetons/s |
| Qwen3.8 27B (dense) | 16,1 Go | 1 866 jetons/s | 54 jetons/s |
| Gemma 4 31B (dense) | 18,4 Go | 1 406 jetons/s | 39 jetons/s |
| Mistral Large 4, 1 000 milliards de paramètres (IQ1) | 233 Go | 224 jetons/s | 20 jetons/s |
RTX 5090 32 Go (mesures Hardware Corner 2026, contexte 4K, Q4) :
| Modèle | Génération |
|---|---|
| gpt-oss 20B | 298 jetons/s |
| Qwen3 8B | 200 jetons/s |
| Gemma 4 26B A4B | 180 jetons/s |
| Qwen3.5 35B A3B | 165 jetons/s |
| Qwen3 14B | 124 jetons/s |
| Gemma 4 31B | 61 jetons/s |
| Qwen3.5 27B | 59 jetons/s |
Les moteurs et les compressions diffèrent d’une mesure à l’autre : ces chiffres donnent des ordres de grandeur, pas un match arbitré. Mais la tendance est nette :
- Tant que le modèle tient dans 32 Go, la RTX 5090 est la plus rapide.
- Au-delà de 32 Go, elle doit déborder sur la mémoire du PC et ralentit fortement, ou ne peut plus charger le modèle. Un modèle de 120B qui tient dans 70 Go de mémoire unifiée sur Mac ne tient pas sur une 5090.
- Les modèles MoE (mixture of experts) n’activent qu’une partie de leurs paramètres à chaque mot : un 35B qui n’en active que 3 génère presque quatre fois plus vite qu’un 31B dense. Plus rapide ne veut pas dire plus intelligent.
Le catalogue : 25 modèles open-weight
Repères pour une exécution locale en 4 bits, avec une marge pour le système et le contexte. Les contextes sont les limites annoncées par les éditeurs, pas une garantie de qualité sur toute la fenêtre.
Légers (moins de 15 milliards de paramètres)
| Modèle | Paramètres (total / actifs) | Contexte | Mémoire | Intérêt |
|---|---|---|---|---|
| Qwen3.5 0.8B | 0,8 / 0,8B | 262K | 8 Go | extraction simple, classification |
| Qwen3.5 2B | 2 / 2B | 262K | 8 Go | petit assistant, tâches répétitives |
| Qwen3.5 4B | 4 / 4B | 262K | 8-16 Go | assistant léger multimodal |
| Gemma 4 E4B | ~4,5B effectifs | 128K | 8-16 Go | multimodal compact, audio |
| Qwen3.5 9B | 9 / 9B | 262K | 16 Go | bon équilibre sur un petit Mac |
| Gemma 4 12B | 12 / 12B | 256K | 16-24 Go | analyse de documents |
| Ministral 3 14B | 14 / 14B | 256K | 24 Go | alternative européenne compacte |
Intermédiaires (20 à 40 milliards), la catégorie clé
| Modèle | Paramètres (total / actifs) | Contexte | Mémoire | Point fort |
|---|---|---|---|---|
| gpt-oss-20b | 21 / 3,6B | 128K | 24 Go | raisonnement rapide, outils |
| Devstral Small 2 (Mistral) | 24 / 24B | 256K | 24-32 Go | programmation agentique |
| Gemma 4 26B A4B | 25 / 3,8B | 256K | 24-32 Go | compromis qualité, vitesse, multimodal |
| Qwen3.8 27B | 27 / 27B | 262K | 32 Go | raisonnement, code, vision |
| Gemma 4 31B | 31 / 31B | 256K | 32 Go | analyse et raisonnement |
| Qwen3.5 35B A3B | 35 / 3B | 262K | 32 Go | excellent rapport qualité/vitesse |
| Qwen3.6 35B A3B | 35 / 3B | 262K | 32-48 Go | agents, longs workflows |
| Flint 40B A2.5B | 40 / 2,5B | selon version | 48 Go | MoE rapide et économique |
À tester en priorité : Qwen3.8 27B pour la qualité, Qwen3.5/3.6 35B A3B pour la vitesse, Gemma 4 26B A4B pour le compromis.
Grands (70 à 140 milliards)
| Modèle | Paramètres (total / actifs) | Contexte | Mémoire | Intérêt |
|---|---|---|---|---|
| Llama 3.3 70B | 70 / 70B | 128K | 64 Go | écosystème mature |
| gpt-oss-120b | 117 / 5,1B | 128K | 96 Go | MoE performant |
| Llama 4 Scout | 109 / 17B | 10M annoncé | 96-128 Go | long contexte, multimodal |
| Mistral Small 4 | ~119 / ~6B | 256K | 96-128 Go | alternative européenne polyvalente |
| Qwen3.5 122B A10B | 122 / 10B | 262K | 96-128 Go | agents exigeants |
64 Go suffisent parfois à charger ces modèles, mais sans aucune marge. Et les 10 millions de jetons de Llama 4 Scout sont une capacité théorique, pas exploitable sur un Mac 128 Go.
Très grands (200 à 750 milliards) : le terrain du M5 Ultra
| Modèle | Paramètres (total / actifs) | Contexte | Mémoire | Positionnement |
|---|---|---|---|---|
| Qwen3 235B A22B | 235 / 22B | 256K | 192-256 Go | gros MoE généraliste |
| DeepSeek V4 Flash | 284 / 13B | 1M | 256 Go | MoE efficace |
| GLM-5.3-Flash | 320 / 18B | 1M | 256 Go | code, agents, multimodal |
| Qwen3.5 397B A17B | 397 / 17B | 262K | 384 Go | raisonnement haut niveau |
| MiniMax M3.1 Flash | 428 / 23B | selon version | 384 Go | agents et code |
| DeepSeek V4.1 Flash | 552B | 1M | 512 Go | modèle de pointe |
| GLM-5.3 | ~753B | 1M | 512 Go (forte compression) | raisonnement et code avancés |
Géants (1 000 milliards et plus) : hors station individuelle
| Modèle | Paramètres (total / actifs) | Mémoire indicative | Faisabilité |
|---|---|---|---|
| Mistral Large 4 | ~1 000 / ~50B | ~233 Go en IQ1, ~620 Go en 4 bits | Mac 256 Go en compression extrême |
| DeepSeek V4 Pro | ~1 600 / 49B | ~1 To en 4 bits | serveur multi-GPU |
| LongCat 2.5 | ~1 600B | ~1 To en Q4 | serveur multi-GPU |
| Kimi K3.1 Pro | ~2 800 / 104B | ~1,6 To | infrastructure multi-serveurs |
Le plus gros n’est pas le plus intelligent
Dans l’Artificial Analysis Intelligence Index (relevé du 7 novembre 2026), le classement place en tête Kimi K3.1 Pro, puis DeepSeek V4.1 Flash, GLM 5.3, MiMo V2.6 Pro et MiniMax M3.1 Flash. DeepSeek V4.1 Flash y devance DeepSeek V4 Pro, pourtant bien plus massif : les données d’entraînement et le raisonnement comptent autant que la taille. Attention, ces scores sont mesurés sur des modèles non compressés. En local, une compression à 1 ou 2 bits dégrade sensiblement la qualité.
La famille Gemma 4 illustre bien l’argument MoE (scores publiés par Google) :
| Modèle | MMLU-Pro | GPQA Diamond | LiveCodeBench v6 |
|---|---|---|---|
| Gemma 4 E4B | 69,4 % | 58,6 % | 52,0 % |
| Gemma 4 12B | 77,2 % | 78,8 % | 72,0 % |
| Gemma 4 26B A4B | 82,6 % | 82,3 % | 77,1 % |
| Gemma 4 31B | 85,2 % | 84,3 % | 80,0 % |
Avec moins de 4 milliards de paramètres actifs, le 26B A4B approche le 31B dense, tout en générant bien plus vite.
Licences : open-weight ne veut pas dire open source
| Famille | Licence | Usage commercial |
|---|---|---|
| Qwen 3.5 / 3.6 / 3.8 | Apache 2.0 | oui |
| Gemma 4 | Apache 2.0 | oui |
| gpt-oss | Apache 2.0 | oui, selon conditions d’usage |
| Mistral Small 4 | Apache 2.0 | oui |
| GLM-5 | MIT | oui |
| DeepSeek V4 | MIT | oui |
| Mistral Large 4 | licence open-weight spécifique | sous conditions |
| Llama 4 | licence communautaire Meta | sous conditions |
| Kimi K3 | licence Kimi | restrictions à vérifier |
Pour intégrer un modèle dans un outil client, nous privilégions les licences Apache 2.0 ou MIT, après lecture de la licence de la version exacte.
CUDA est-il indispensable ?
CUDA est la plateforme de calcul de NVIDIA. Elle n’existe pas sur Mac. Ce n’est pas qu’une question de puissance : c’est un écosystème logiciel très mature (PyTorch, TensorRT, cuDNN, FlashAttention), sur lequel la plupart des projets de recherche sont d’abord développés. Mais il n’est pas indispensable pour tout.
| Ce que vous faites | Sans CUDA (Mac) | Conséquence |
|---|---|---|
| Machine learning classique (régression, XGBoost) | aucun frein | le processeur suffit souvent |
| Utiliser un LLM existant (chat, RAG, agents) | aucun frein | Mac très compétitif |
| Faire tourner un modèle de plus de 32 Go | avantage Mac | la mémoire fait la différence |
| Entraîner un petit réseau de neurones | frein faible à modéré | Metal fonctionne |
| Adapter un petit LLM (fine-tuning LoRA 7-14B) | frein modéré | MLX est une bonne alternative |
| Vision (détection d’objets, classification d’images) | frein variable, parfois important | NVIDIA préférable |
| Image et vidéo générative (Stable Diffusion, FLUX) | frein souvent important | écosystème bien plus riche sur NVIDIA |
| Adapter un gros LLM | frein important, parfois bloquant | NVIDIA plus mature |
| Entraîner un grand modèle de zéro | très important | multi-GPU NVIDIA ou cloud |
Sur Mac, passer un code PyTorch de cuda à mps tient parfois en une ligne, mais pas toujours : certaines opérations ne sont pas implémentées et retombent sur le processeur (lentement), le calcul en double précision (FP64) n’est pas pris en charge, et beaucoup de dépôts de recherche supposent CUDA. D’autres alternatives existent : ROCm chez AMD, les TPU de Google, oneAPI chez Intel.
Pour la plupart des PME et indépendants, qui utilisent des modèles plutôt qu’ils n’en entraînent, l’absence de CUDA n’est pas un frein. Et le jour où un entraînement lourd est nécessaire, un GPU NVIDIA se loue à l’heure dans le cloud : inutile d’acheter une carte à plusieurs milliers d’euros pour un besoin ponctuel.
Les prix en 2026 : la pénurie de mémoire change la donne
La pénurie mondiale de mémoire de 2026 a fait exploser les prix des configurations à forte capacité. Quelques repères relevés en France :
| Machine | Prix TTC | Source |
|---|---|---|
| MacBook Pro 14” M6 | à partir de 2 299 € | Apple France |
| MacBook Pro M5 Pro | à partir de 2 899 € | Apple France |
| MacBook Pro 14” M5 Max | à partir de 4 799 € | Apple France |
| MacBook Pro 14” M5 Max 48 Go, 4 To | 6 559 € | Apple France |
| MacBook Pro 16” M5 Max 64 Go, 4 To | 7 239 € | Apple France |
| MacBook Pro 14” M5 Max 128 Go, 4 To | ~8 760 € | Apple France |
| Mac Studio M5 Ultra 256 Go | 12 429 € | MacGeneration, 4 novembre |
| Mac Studio M5 Ultra 512 Go | ~25 000 € | option mémoire facturée 12 650 € |
| Carte RTX 5090 seule | lancée à 2 349 €, souvent plus de 4 000 € en boutique | presse spécialisée |
Le cas le plus parlant : passer un Mac Studio M5 Ultra de 256 à 512 Go coûte plus cher qu’un second Mac Studio 256 Go. Deux machines reliées en grappe reviennent moins cher qu’une seule à 512 Go.
Si vous optez pour un MacBook Pro M5 Max
128 Go plutôt que 4 To. La mémoire ne s’ajoute jamais après l’achat. Le stockage, si : un SSD Thunderbolt externe accueille sans problème les modèles peu utilisés. Un modèle une fois chargé en mémoire ne dépend plus de la vitesse du disque pour générer.
14 ou 16 pouces ?
| Critère | 14” M5 Max | 16” M5 Max |
|---|---|---|
| Mémoire max et GPU | 128 Go, 40 cœurs | 128 Go, 40 cœurs |
| Vitesse sur une tâche courte | quasi identique | quasi identique |
| Charges longues (LLM pendant des heures, encodage) | refroidissement plus contraint | avantage probable |
| Transport | excellent | plus encombrant |
| Autonomie | bonne | batterie plus grande |
| Prix | moins cher | plus cher |
Le 16 pouces n’a pas un GPU plus rapide, mais son volume dissipe mieux la chaleur quand un modèle tourne en continu. Le 14 pouces garde l’avantage si vous voyagez beaucoup et travaillez surtout sur écran externe.
De combien de stockage avez-vous besoin ?
| Usage | Stockage indicatif |
|---|---|
| macOS, logiciels, développement | 150 à 300 Go |
| Conteneurs Docker, environnements, caches | 100 à 300 Go |
| Bibliothèque de modèles 7-35B | 100 à 300 Go |
| Plusieurs modèles 70-120B | 200 à 600 Go |
| Jeux de données, fine-tuning, benchmarks | 100 à 500 Go |
| Photo et vidéo | 500 Go à plusieurs To |
2 To internes complétés d’un SSD externe de 4 To suffisent dans la plupart des cas. 4 To internes se justifient si vous voulez voyager sans disque avec de gros médias et beaucoup de modèles disponibles.
Attendre le M6 Max ? Il n’est pas annoncé, et rien ne permet de supposer qu’il sera moins cher, surtout en pleine pénurie de mémoire. À sa sortie, le critère à regarder sera la bande passante mémoire, bien plus que le nombre de cœurs. Le scénario le plus probable côté budget : des remises sur le M5 Max. Si votre machine actuelle tient, attendre a une valeur ; sinon, achetez.
Trouver votre configuration : le simulateur
Répondez à quatre questions : le simulateur vous donne la configuration adaptée, une alternative, ce qu’elle fait tourner et une fourchette de prix. Les prix marqués « estimation » sont extrapolés à partir des tarifs relevés ; vérifiez-les dans le configurateur avant d’acheter.
Quelle machine pour quel profil ?
| Votre besoin | Notre recommandation |
|---|---|
| Apprendre, prototyper, découvrir l’IA locale | Mac récent 16 à 32 Go |
| Machine learning classique sur données d’entreprise | bon processeur et beaucoup de RAM, le GPU est secondaire |
| LLM exigeants, développement IA, vidéo et photo, en mobilité | MacBook Pro M5 Max 64 ou 128 Go |
| LLM tournant toute la journée, très gros modèles | Mac Studio M5 Ultra 256 à 512 Go |
| Entraînement deep learning, vision, image générative, jeu | PC avec RTX 5090 |
| Servir l’IA à toute une équipe en simultané | GPU professionnels ou serveur dédié |
Une combinaison particulièrement efficace : un Mac à grosse mémoire pour travailler et faire tourner les modèles au quotidien, et un GPU NVIDIA loué à l’heure pour les rares entraînements lourds. Vous évitez d’acheter une RTX 5090 pour un besoin ponctuel.
Le bon réflexe
Avant d’acheter, posez une seule question : allez-vous faire tourner des modèles tous les jours, ou les tester ponctuellement ? Usage quotidien et intensif : une station fixe à grosse mémoire. Usage de test et de développement : un portable bien doté en mémoire, complété au besoin par de la puissance louée.
Et quel que soit le matériel, la vraie mesure reste la vôtre : les mêmes dix tâches de votre métier, en français, sur deux ou trois modèles candidats, en notant le taux de réussite, la vitesse, la mémoire consommée et le nombre d’utilisateurs simultanés. C’est ce qui sépare un classement généraliste d’un outil qui sert vraiment.
Sources : Apple (fiches techniques et communiqués M5 Ultra, M6, Apple Store France), NVIDIA (caractéristiques RTX 5090), Blender Open Data, Hardware Corner, benchmarks MLX et oMLX publiés, Artificial Analysis Intelligence Index v5.0.1, Google (scores Gemma 4), MacGeneration. Chiffres au 14 novembre 2026 : ce marché bouge tous les mois.
