Chat with a model<\/a>). J’utilise ici la v0 parce que son format de requ\u00eate est celui de l’API OpenAI et qu’elle renvoie le moteur utilis\u00e9. Le passage \u00e0 la v1 ne change que quelques lignes.<\/p>\nJe ne me contente pas des statistiques du serveur. Le script mesure aussi le temps mur c\u00f4t\u00e9 client, ce qui permet de rep\u00e9rer une incoh\u00e9rence (temps de chargement cach\u00e9, file d’attente, etc\u2026).<\/p>\n
Le jeu de prompts est un fichier JSONL. Chaque ligne contient un identifiant, le prompt et les \u00e9l\u00e9ments attendus dans la r\u00e9ponse, qui serviront pour la notation de qualit\u00e9:<\/p>\n
{\"id\": \"krb01\", \"prompt\": \"Explique le r\u00f4le du PAC dans un ticket Kerberos Active Directory.\", \"attendu\": [\"MS-PAC\", \"SID de groupes\", \"signature KDC\"]}\n{\"id\": \"ntlm01\", \"prompt\": \"Pourquoi le relais NTLM fonctionne-t-il sans conna\u00eetre le mot de passe ?\", \"attendu\": [\"challenge\/r\u00e9ponse\", \"absence de liaison au canal\", \"signature SMB\"]}\n{\"id\": \"saml01\", \"prompt\": \"Quelle est la diff\u00e9rence entre la signature de la Response et celle de l'Assertion en SAML 2.0 ?\", \"attendu\": [\"XML Signature\", \"assertion seule\", \"wrapping\"]}\n{\"id\": \"long01\", \"prompt\": \"R\u00e9sume le texte suivant en 10 points : ...\", \"attendu\": []}<\/code><\/pre>\nJe m\u00e9lange volontairement des prompts courts, o\u00f9 c’est la g\u00e9n\u00e9ration qui domine, et au moins un prompt long (quelques milliers de tokens de texte coll\u00e9), o\u00f9 c’est le traitement du prompt qui domine. Les deux moteurs ne se classent pas forc\u00e9ment de la m\u00eame fa\u00e7on sur les deux phases.<\/p>\n
#!\/usr\/bin\/env python3\n# bench.py - m\u00eames prompts, m\u00eames param\u00e8tres, un mod\u00e8le charg\u00e9 \u00e0 la fois\n# usage: python3 bench.py bench-14b-q8-gguf prompts.jsonl 3\nimport csv, json, sys, time, urllib.request\n\nAPI = \"http:\/\/localhost:1234\/api\/v0\/chat\/completions\"\nMODEL = sys.argv[1]\nPROMPTS = sys.argv[2]\nRUNS = int(sys.argv[3]) if len(sys.argv) > 3 else 3\n\ndef ask(prompt):\n body = {\n \"model\": MODEL,\n \"messages\": [{\"role\": \"user\", \"content\": prompt}],\n \"temperature\": 0,\n \"max_tokens\": 1024,\n \"stream\": False,\n }\n req = urllib.request.Request(API, data=json.dumps(body).encode(),\n headers={\"Content-Type\": \"application\/json\"})\n t0 = time.perf_counter()\n with urllib.request.urlopen(req, timeout=900) as r:\n data = json.load(r)\n return data, time.perf_counter() - t0\n\nprompts = [json.loads(l) for l in open(PROMPTS, encoding=\"utf-8\") if l.strip()]\n\nask(\"R\u00e9ponds uniquement: OK\") # \u00e9chauffement, non mesur\u00e9\n\nwith open(f\"mesures-{MODEL}.csv\", \"w\", newline=\"\") as f_csv, \\\n open(f\"reponses-{MODEL}.jsonl\", \"w\", encoding=\"utf-8\") as f_rep:\n w = csv.writer(f_csv)\n w.writerow([\"modele\", \"format\", \"quant\", \"runtime\", \"id\", \"run\",\n \"prompt_tokens\", \"completion_tokens\", \"ttft_s\",\n \"tokens_s\", \"generation_s\", \"mur_s\", \"stop\"])\n for run in range(1, RUNS + 1):\n for p in prompts:\n d, mur = ask(p[\"prompt\"])\n st, mi = d.get(\"stats\", {}), d.get(\"model_info\", {})\n rt, us = d.get(\"runtime\", {}), d.get(\"usage\", {})\n w.writerow([MODEL, mi.get(\"format\"), mi.get(\"quant\"), rt.get(\"name\"),\n p[\"id\"], run, us.get(\"prompt_tokens\"), us.get(\"completion_tokens\"),\n st.get(\"time_to_first_token\"),\n round(st.get(\"tokens_per_second\", 0), 2),\n st.get(\"generation_time\"), round(mur, 3), st.get(\"stop_reason\")])\n if run == 1:\n f_rep.write(json.dumps({\"id\": p[\"id\"], \"modele\": MODEL,\n \"reponse\": d[\"choices\"][0][\"message\"][\"content\"]},\n ensure_ascii=False) + \"\\n\")\n print(f\"{p['id']:8} run {run} {st.get('tokens_per_second', 0):6.1f} tok\/s \"\n f\"TTFT {st.get('time_to_first_token')} s [{mi.get('format')} {mi.get('quant')}]\")<\/code><\/pre>\nQuelques remarques sur ce script:<\/p>\n
\n- -> L’appel d’\u00e9chauffement absorbe la compilation des shaders et les \u00e9ventuelles allocations du premier passage. Sans lui, la premi\u00e8re mesure de chaque s\u00e9rie est syst\u00e9matiquement plus lente.<\/li>\n
- -> Les colonnes
format<\/code>, quant<\/code> et runtime<\/code> servent de garde-fou. Si vous lisez gguf<\/code> dans un fichier cens\u00e9 contenir des mesures MLX, inutile d’aller plus loin.<\/li>\n- -> Comparez
completion_tokens<\/code> entre les deux formats. Un tokens\/s n’a de valeur que sur des longueurs de r\u00e9ponse comparables, et une r\u00e9ponse coup\u00e9e par max_tokens<\/code> (stop<\/code> diff\u00e9rent de la fin normale) doit \u00eatre signal\u00e9e.<\/li>\n- -> Le m\u00eame prompt rejou\u00e9 plusieurs fois peut profiter d’un cache de prompt c\u00f4t\u00e9 moteur, ce qui fait baisser le TTFT d\u00e8s le deuxi\u00e8me passage. Pour le TTFT, je ne retiens que le run 1 de chaque prompt. Pour les tokens\/s de g\u00e9n\u00e9ration, les runs 2 et 3 sont exploitables.<\/li>\n<\/ul>\n
Pour agr\u00e9ger, une m\u00e9diane suffit. La moyenne est trop sensible \u00e0 une mesure perturb\u00e9e par un processus en arri\u00e8re-plan:<\/p>\n
#!\/usr\/bin\/env python3\n# synthese.py - usage: python3 synthese.py mesures-*.csv\nimport csv, sys, statistics as s\n\nrows = [r for f in sys.argv[1:] for r in csv.DictReader(open(f))]\nfor m in sorted({r[\"modele\"] for r in rows}):\n rr = [r for r in rows if r[\"modele\"] == m]\n tps = [float(r[\"tokens_s\"]) for r in rr if r[\"run\"] != \"1\"]\n ttft = [float(r[\"ttft_s\"]) for r in rr if r[\"run\"] == \"1\"]\n print(f\"{m:24} {rr[0]['format']:5} {rr[0]['quant']:8} \"\n f\"tok\/s med {s.median(tps):6.1f} (min {min(tps):5.1f} max {max(tps):5.1f}) \"\n f\"TTFT med {s.median(ttft):5.2f} s\")<\/code><\/pre>\nSi le prompt long donne un r\u00e9sultat tr\u00e8s diff\u00e9rent des prompts courts, s\u00e9parez-le dans la synth\u00e8se. Le m\u00e9langer aux autres noierait justement l’information qui vous int\u00e9resse.<\/p>\n
Relev\u00e9 de la m\u00e9moire avec Moniteur d’activit\u00e9 ou vm_stat<\/h2>\n
Mesurer la m\u00e9moire consomm\u00e9e par un mod\u00e8le sur Apple Silicon est moins simple qu’il n’y para\u00eet. La colonne \u00ab M\u00e9moire \u00bb d’un processus dans Moniteur d’activit\u00e9 ne refl\u00e8te pas toujours les tampons Metal allou\u00e9s pour le GPU. De plus, un fichier GGUF peut \u00eatre projet\u00e9 en m\u00e9moire (mmap) et compt\u00e9 comme cache de fichiers plut\u00f4t que comme m\u00e9moire du processus. Je ne cherche donc pas \u00e0 attribuer la m\u00e9moire \u00e0 un processus pr\u00e9cis. Je regarde l’\u00e9volution globale de la m\u00e9moire c\u00e2bl\u00e9e (wired), o\u00f9 atterrissent les allocations verrouill\u00e9es pour le GPU, et de la m\u00e9moire compress\u00e9e, qui signale que le syst\u00e8me commence \u00e0 manquer d’air.<\/p>\n
Dans Moniteur d’activit\u00e9, l’onglet \u00ab M\u00e9moire \u00bb affiche en bas \u00ab M\u00e9moire c\u00e2bl\u00e9e \u00bb, \u00ab Compress\u00e9e \u00bb et le graphe \u00ab Pression de la m\u00e9moire \u00bb. C’est suffisant pour un contr\u00f4le visuel. Pour un relev\u00e9 exploitable, vm_stat<\/code> fait le travail en ligne de commande. Sur Apple Silicon, la taille de page est de 16 Ko, mais je la lis avec sysctl<\/code> plut\u00f4t que de la coder en dur:<\/p>\n#!\/bin\/bash\n# mem.sh - rel\u00e8ve la m\u00e9moire c\u00e2bl\u00e9e et compress\u00e9e chaque seconde\n# usage: .\/mem.sh mem-14b-q8-gguf.csv (Ctrl+C pour arr\u00eater)\nPAGE=$(sysctl -n hw.pagesize)\nOUT=${1:-mem.csv}\necho \"horodatage,cablee_go,compressee_go\" > \"$OUT\"\nwhile true; do\n vm_stat | awk -v p=\"$PAGE\" -v t=\"$(date +%H:%M:%S)\" '\n \/Pages wired down\/ { gsub(\/\\.\/, \"\", $4); w = $4 }\n \/Pages occupied by compressor\/ { gsub(\/\\.\/, \"\", $5); c = $5 }\n END { printf \"%s,%.2f,%.2f\\n\", t, w*p\/1073741824, c*p\/1073741824 }' >> \"$OUT\"\n sleep 1\ndone<\/code><\/pre>\nLa proc\u00e9dure pour chaque variante:<\/p>\n
\nlms unload --all<\/code>, puis lancer .\/mem.sh<\/code> et attendre une dizaine de secondes. Cela donne la valeur de base.<\/li>\n- Charger le mod\u00e8le avec
lms load<\/code>. Le palier atteint donne le co\u00fbt des poids et du cache allou\u00e9.<\/li>\n- Lancer
bench.py<\/code>. Le pic pendant le prompt long donne le co\u00fbt r\u00e9el en utilisation.<\/li>\n- Arr\u00eater
mem.sh<\/code> et noter: base, palier apr\u00e8s chargement, pic. On retient les deltas, pas les valeurs absolues.<\/li>\n<\/ol>\nSi la m\u00e9moire compress\u00e9e grimpe pendant le bench, la mesure de vitesse de cette s\u00e9rie n’est plus fiable: le syst\u00e8me \u00e9change des pages et vous mesurez le compresseur de macOS plut\u00f4t que le moteur d’inf\u00e9rence.<\/p>\n
Il existe un r\u00e9glage sysctl iogpu.wired_limit_mb<\/code> qui permet de relever la limite de m\u00e9moire verrouillable par le GPU. Je ne l’utilise pas pour ce comparatif. Il ne change rien \u00e0 l’\u00e9quit\u00e9 entre les deux formats, et pousser cette limite sur une machine de 32 Go revient surtout \u00e0 priver macOS de m\u00e9moire.<\/p>\nNotation de la qualit\u00e9<\/h2>\n
Les tokens\/s se mesurent. La qualit\u00e9, beaucoup moins. \u00c0 quantification \u00e9quivalente, les deux formats contiennent en th\u00e9orie les m\u00eames poids \u00e0 une approximation pr\u00e8s. En pratique, les m\u00e9thodes de quantification diff\u00e8rent (blocs, m\u00e9lange de pr\u00e9cisions, quels tenseurs restent en haute pr\u00e9cision) et les r\u00e9ponses divergent.<\/p>\n
Je proc\u00e8de \u00e0 l’aveugle, sur un jeu de 15 \u00e0 20 questions de mon domaine dont je connais parfaitement les r\u00e9ponses. Le champ attendu<\/code> du fichier de prompts liste les \u00e9l\u00e9ments qu’une bonne r\u00e9ponse doit contenir. Le script ci dessous m\u00e9lange les r\u00e9ponses des deux variantes, les renomme A et B, et garde la correspondance dans un fichier s\u00e9par\u00e9 que je n’ouvre qu’apr\u00e8s la notation:<\/p>\n#!\/usr\/bin\/env python3\n# aveugle.py - usage: python3 aveugle.py reponses-X.jsonl reponses-Y.jsonl\nimport json, random, sys\n\na = {r[\"id\"]: r for r in map(json.loads, open(sys.argv[1], encoding=\"utf-8\"))}\nb = {r[\"id\"]: r for r in map(json.loads, open(sys.argv[2], encoding=\"utf-8\"))}\ncle, sortie = {}, []\nfor i in sorted(a.keys() & b.keys()):\n paire = [a[i], b[i]]\n random.shuffle(paire)\n cle[i] = {\"A\": paire[0][\"modele\"], \"B\": paire[1][\"modele\"]}\n sortie.append(f\"## {i}\\n\\n### A\\n{paire[0]['reponse']}\\n\\n### B\\n{paire[1]['reponse']}\\n\")\nopen(\"notation.md\", \"w\", encoding=\"utf-8\").write(\"\\n\".join(sortie))\njson.dump(cle, open(\"cle.json\", \"w\"), indent=2)<\/code><\/pre>\nPour chaque r\u00e9ponse, je note sur une grille simple: 0 si un \u00e9l\u00e9ment attendu est faux, 1 s’il manque, 2 s’il est pr\u00e9sent et juste. J’ajoute une p\u00e9nalit\u00e9 pour toute affirmation technique invent\u00e9e (un attribut LDAP qui n’existe pas, un num\u00e9ro de RFC erron\u00e9\u2026). Sur un jeu aussi petit, un \u00e9cart de quelques points entre les deux formats n’a rien de significatif. Seul un \u00e9cart net et r\u00e9p\u00e9t\u00e9, par exemple une variante qui se trompe syst\u00e9matiquement sur les prompts longs, m\u00e9rite d’\u00eatre pris en compte.<\/p>\n
Grille de lecture et limites<\/h2>\n
\n\n\n| Mesure<\/th>\n | Source<\/th>\n | Ce qu’elle dit<\/th>\n | Ce qu’elle ne dit pas<\/th>\n<\/tr>\n<\/thead>\n |
\n\n| tokens\/s (runs 2 et 3)<\/td>\n | stats.tokens_per_second<\/code><\/td>\n| Vitesse de g\u00e9n\u00e9ration ressentie en lecture<\/td>\n | Le temps d’attente avant la premi\u00e8re ligne<\/td>\n<\/tr>\n | \n| TTFT (run 1)<\/td>\n | stats.time_to_first_token<\/code><\/td>\n| Co\u00fbt du traitement du prompt, d\u00e9cisif sur les longs contextes<\/td>\n | Le comportement en conversation longue avec cache<\/td>\n<\/tr>\n | \n| Temps mur<\/td>\n | chronom\u00e8tre client<\/td>\n | Contr\u00f4le de coh\u00e9rence de bout en bout<\/td>\n | La r\u00e9partition entre prompt et g\u00e9n\u00e9ration<\/td>\n<\/tr>\n | \n| Delta m\u00e9moire c\u00e2bl\u00e9e<\/td>\n | vm_stat<\/code><\/td>\n| Empreinte r\u00e9elle du mod\u00e8le et du cache<\/td>\n | Une attribution pr\u00e9cise par processus<\/td>\n<\/tr>\n | \n| Note qualit\u00e9<\/td>\n | grille \u00e0 l’aveugle<\/td>\n | R\u00e9gression \u00e9vidente d’une quantification<\/td>\n | Une diff\u00e9rence fine, le jeu est trop petit<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Avant de choisir un format sur la base de ces mesures, gardez en t\u00eate ce qu’elles ne couvrent pas:<\/p>\n \n- Les r\u00e9sultats d\u00e9pendent d’un instant pr\u00e9cis. LM Studio met \u00e0 jour ses runtimes ind\u00e9pendamment de l’application, et un gain d’un format peut dispara\u00eetre avec la version suivante de l’autre moteur. Notez la version de LM Studio et le nom de runtime pr\u00e9sent dans le CSV \u00e0 chaque s\u00e9rie.<\/li>\n
- Une quantification \u00ab 4 bits \u00bb n’en vaut pas une autre.
Q4_K_M<\/code> contre MLX 4bit n’est pas une \u00e9galit\u00e9 parfaite, d’o\u00f9 l’int\u00e9r\u00eat de commencer par la paire 8 bits.<\/li>\n- Les fonctionnalit\u00e9s ne sont pas identiques. Certaines options (formats de sortie structur\u00e9e, quantification du cache, vision, d\u00e9codage sp\u00e9culatif) n’ont pas le m\u00eame support ni la m\u00eame maturit\u00e9 selon le moteur. Un format plus rapide mais priv\u00e9 d’une option dont vous avez besoin ne vous sert \u00e0 rien.<\/li>\n
- L’usage r\u00e9el n’est pas un bench. Un agent qui renvoie 20 000 tokens de contexte \u00e0 chaque tour sera surtout sensible au TTFT et \u00e0 la m\u00e9moire. Une discussion courte, aux tokens\/s.<\/li>\n<\/ul>\n
Sur un Mac mini M4 de 32 Go, la m\u00e9moire est la contrainte qui tranche le plus souvent. Si les deux formats sont proches en vitesse et en qualit\u00e9 sur vos prompts, prenez celui qui laisse le plus de marge en m\u00e9moire c\u00e2bl\u00e9e sur le prompt long. C’est cette marge qui d\u00e9cidera si vous pouvez garder un deuxi\u00e8me mod\u00e8le charg\u00e9 \u00e0 c\u00f4t\u00e9 ou monter la longueur de contexte sans voir la pression m\u00e9moire passer au jaune.<\/p>\n","protected":false},"excerpt":{"rendered":" Comparer un m\u00eame mod\u00e8le en MLX et en GGUF dans LM Studio sur Mac mini M4: m\u00eames prompts, quantification proche, script de mesure, relev\u00e9 m\u00e9moire et limites.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[59,58],"tags":[66,62,63,60,64,61,65],"class_list":["post-1240","post","type-post","status-publish","format-standard","hentry","category-intelligence-artificielle","category-llm-en-local","tag-benchmark","tag-gguf","tag-llama-cpp","tag-lm-studio","tag-mac-mini-m4","tag-mlx","tag-quantification"],"yoast_head":"\n MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible - R\u00e9mi VERNIER<\/title>\n<meta name=\"description\" content=\"Comparer un m\u00eame mod\u00e8le en MLX et en GGUF dans LM Studio sur Mac mini M4: m\u00eames prompts, quantification proche, script de mesure, relev\u00e9 m\u00e9moire et limites.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible - R\u00e9mi VERNIER\" \/>\n<meta property=\"og:description\" content=\"Comparer un m\u00eame mod\u00e8le en MLX et en GGUF dans LM Studio sur Mac mini M4: m\u00eames prompts, quantification proche, script de mesure, relev\u00e9 m\u00e9moire et limites.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/\" \/>\n<meta property=\"og:site_name\" content=\"R\u00e9mi VERNIER\" \/>\n<meta property=\"article:published_time\" content=\"2026-10-27T13:59:58+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-10-27T20:54:40+00:00\" \/>\n<meta name=\"author\" content=\"R\u00e9mi\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"R\u00e9mi\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"19 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/\"},\"author\":{\"name\":\"R\u00e9mi\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/#\\\/schema\\\/person\\\/a4c76c63a5a3d94454484845e42fc906\"},\"headline\":\"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible\",\"datePublished\":\"2026-10-27T13:59:58+00:00\",\"dateModified\":\"2026-10-27T20:54:40+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/\"},\"wordCount\":3005,\"commentCount\":0,\"keywords\":[\"benchmark\",\"gguf\",\"llama.cpp\",\"lm studio\",\"mac mini m4\",\"mlx\",\"quantification\"],\"articleSection\":[\"Intelligence artificielle\",\"LLM en local\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/\",\"url\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/\",\"name\":\"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible - R\u00e9mi VERNIER\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/#website\"},\"datePublished\":\"2026-10-27T13:59:58+00:00\",\"dateModified\":\"2026-10-27T20:54:40+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/#\\\/schema\\\/person\\\/a4c76c63a5a3d94454484845e42fc906\"},\"description\":\"Comparer un m\u00eame mod\u00e8le en MLX et en GGUF dans LM Studio sur Mac mini M4: m\u00eames prompts, quantification proche, script de mesure, relev\u00e9 m\u00e9moire et limites.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/index.php\\\/2026\\\/10\\\/27\\\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/remivernier.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/#website\",\"url\":\"https:\\\/\\\/remivernier.com\\\/\",\"name\":\"R\u00e9mi VERNIER\",\"description\":\"Identit\u00e9, s\u00e9curit\u00e9, SAP et IA : Active Directory, Azure & co...\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/remivernier.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/remivernier.com\\\/#\\\/schema\\\/person\\\/a4c76c63a5a3d94454484845e42fc906\",\"name\":\"R\u00e9mi\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g\",\"caption\":\"R\u00e9mi\"},\"sameAs\":[\"http:\\\/\\\/www.linkedin.com\\\/in\\\/remi-vernier\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible - R\u00e9mi VERNIER","description":"Comparer un m\u00eame mod\u00e8le en MLX et en GGUF dans LM Studio sur Mac mini M4: m\u00eames prompts, quantification proche, script de mesure, relev\u00e9 m\u00e9moire et limites.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/","og_locale":"fr_FR","og_type":"article","og_title":"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible - R\u00e9mi VERNIER","og_description":"Comparer un m\u00eame mod\u00e8le en MLX et en GGUF dans LM Studio sur Mac mini M4: m\u00eames prompts, quantification proche, script de mesure, relev\u00e9 m\u00e9moire et limites.","og_url":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/","og_site_name":"R\u00e9mi VERNIER","article_published_time":"2026-10-27T13:59:58+00:00","article_modified_time":"2026-10-27T20:54:40+00:00","author":"R\u00e9mi","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"R\u00e9mi","Dur\u00e9e de lecture estim\u00e9e":"19 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/#article","isPartOf":{"@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/"},"author":{"name":"R\u00e9mi","@id":"https:\/\/remivernier.com\/#\/schema\/person\/a4c76c63a5a3d94454484845e42fc906"},"headline":"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible","datePublished":"2026-10-27T13:59:58+00:00","dateModified":"2026-10-27T20:54:40+00:00","mainEntityOfPage":{"@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/"},"wordCount":3005,"commentCount":0,"keywords":["benchmark","gguf","llama.cpp","lm studio","mac mini m4","mlx","quantification"],"articleSection":["Intelligence artificielle","LLM en local"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/","url":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/","name":"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible - R\u00e9mi VERNIER","isPartOf":{"@id":"https:\/\/remivernier.com\/#website"},"datePublished":"2026-10-27T13:59:58+00:00","dateModified":"2026-10-27T20:54:40+00:00","author":{"@id":"https:\/\/remivernier.com\/#\/schema\/person\/a4c76c63a5a3d94454484845e42fc906"},"description":"Comparer un m\u00eame mod\u00e8le en MLX et en GGUF dans LM Studio sur Mac mini M4: m\u00eames prompts, quantification proche, script de mesure, relev\u00e9 m\u00e9moire et limites.","breadcrumb":{"@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/remivernier.com\/index.php\/2026\/10\/27\/mlx-gguf-lm-studio-mac-mini-m4-methode-comparaison\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/remivernier.com\/"},{"@type":"ListItem","position":2,"name":"MLX ou GGUF dans LM Studio sur Mac mini M4: une m\u00e9thode de comparaison reproductible"}]},{"@type":"WebSite","@id":"https:\/\/remivernier.com\/#website","url":"https:\/\/remivernier.com\/","name":"R\u00e9mi VERNIER","description":"Identit\u00e9, s\u00e9curit\u00e9, SAP et IA : Active Directory, Azure & co...","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/remivernier.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/remivernier.com\/#\/schema\/person\/a4c76c63a5a3d94454484845e42fc906","name":"R\u00e9mi","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/f750448bc07f5d1d9c1189344283777ec0d33275c184599b199fb6b305bc6fba?s=96&d=mm&r=g","caption":"R\u00e9mi"},"sameAs":["http:\/\/www.linkedin.com\/in\/remi-vernier"]}]}},"_links":{"self":[{"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/posts\/1240","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/comments?post=1240"}],"version-history":[{"count":2,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/posts\/1240\/revisions"}],"predecessor-version":[{"id":1250,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/posts\/1240\/revisions\/1250"}],"wp:attachment":[{"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/media?parent=1240"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/categories?post=1240"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/remivernier.com\/index.php\/wp-json\/wp\/v2\/tags?post=1240"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} | | | |