Comparaison des performances des LLM sur Ollama avec un GPU de 16 Go de VRAM

L’exécution de grands modèles de langage localement vous offre de la confidentialité, une capacité hors ligne et des coûts d’API nuls. Ce benchmark révèle précisément ce que l’on peut attendre de 14 modèles de langage populaires LLMs sur Ollama sur une RTX 4080.

Avec un GPU de 16 Go de VRAM, j’ai été confronté à un compromis constant : des modèles plus volumineux avec une qualité potentiellement meilleure, ou des modèles plus petits avec une inférence plus rapide. Pour en savoir plus sur les performances des LLM — débit par rapport à la latence, limites de VRAM, requêtes parallèles et benchmarks entre les différents temps d’exécution — voir Performances LLM : Benchmarks, Goulets d’étranglement et Optimisation.

Cet article se concentre sur Ollama. Pour la même classe de GPU de 16 Go mesurée avec llama.cpp à 19K, 32K et 64K de contexte (VRAM, charge GPU, jetons par seconde sur les points de contrôle denses et MoE), voir Benchmarks LLM 16 Go VRAM avec llama.cpp (vitesse et contexte).

Une fois que le débit et les divisions VRAM semblent acceptables, les charges de travail de type agent ont encore besoin de préréglages raisonnables de température et de pénalité pour les piles de type Qwen et Gemma ; voir Paramètres d’inférence agentic pour Qwen et Gemma.

En résumé

Voici le tableau de comparaison mis à jour des performances LLM sur RTX 4080 16GB avec Ollama 0.17.7, (2026-03-09) ajout des modèles Qwen 3.5 9b, 9bq8, 27b et 35b :

Point clé : Les modèles qui tiennent entièrement dans la VRAM sont considérablement plus rapides. GPT-OSS 20B atteint 139.93 jetons/sec, tandis que GPT-OSS 120B avec un offloading CPU lourd rampe à 12.64 jetons/sec — une différence de vitesse de 11x.

Configuration du Matériel de Test

Le benchmark a été effectué sur le système suivant :

• GPU : NVIDIA RTX 4080 avec 16GB VRAM
• CPU : Intel Core i7-14700 (8 cœurs P + 12 cœurs E)
• RAM : 64GB DDR5-6000

Cela représente une configuration grand consommateur haut de gamme courante pour l’inférence locale de LLM. Les 16GB de VRAM sont la contrainte critique — ils déterminent quels modèles s’exécutent entièrement sur le GPU par rapport à ceux nécessitant un offloading CPU.

Comprendre comment Ollama utilise les cœurs CPU Intel devient important lorsque les modèles dépassent la capacité de la VRAM, car la performance du CPU a un impact direct sur la vitesse d’inférence des couches déportées.

Objectif de ce Benchmark

L’objectif principal était de mesurer la vitesse d’inférence dans des conditions réalistes. Je savais déjà par expérience que Mistral Small 3.2 24B excelle en qualité de langue tandis que Qwen3 14B offre un suivi des instructions supérieur pour mes cas d’usage spécifiques.

Ce benchmark répond à la question pratique : À quelle vitesse chaque modèle peut-il générer du texte, et quelle est la pénalité de vitesse pour dépasser les limites de VRAM ?

Les paramètres de test étaient :

• Taille du contexte : 19 000 jetons. C’est une valeur moyenne dans mes requêtes de génération.
• Invite : “compare weather and climate between capital cities of australia”
• Métrique : taux d’évaluation (jetons par seconde pendant la génération)

Installation et Version d’Ollama

Tous les tests ont utilisé la version 0.15.2 d’Ollama, la dernière version publiée au moment des tests. Puis ré-exécuté sur Ollama v 0.17.7 - pour ajouter les modèles Qwen3.5. Pour une référence complète des commandes Ollama utilisées dans ce benchmark, voir la fiche de triche Ollama.

Pour résumer rapidement - installer Ollama sur Linux :

curl -fsSL https://ollama.com/install.sh | sh

Vérifier l’installation :

ollama --version

Si vous devez stocker les modèles sur un autre lecteur en raison de contraintes d’espace, consultez comment déplacer les modèles Ollama sur un autre lecteur.

Modèles Testés

Les modèles suivants ont fait l’objet d’un benchmark, en ordre alphabétique :

Pour télécharger n’importe quel modèle :

ollama pull gpt-oss:20b
ollama pull qwen3:14b

Comprendre l’Offloading CPU

Lorsque les exigences mémoire d’un modèle dépassent la VRAM disponible, Ollama répartit automatiquement les couches du modèle entre le GPU et la RAM système. La sortie affiche cela sous forme de pourcentage comme “18%/82% CPU/GPU”.

Cela a des implications massives sur les performances. Chaque génération de jeton nécessite un transfert de données entre la mémoire CPU et la mémoire GPU — un goulet d’étranglement qui se cumule avec chaque couche déportée sur le CPU.

Le schéma est clair d’après nos résultats :

• Modèles 100% GPU : 61-140 jetons/sec
• Modèles 70-82% GPU : 19-51 jetons/sec
• 22% GPU (majoritairement CPU) : 12.6 jetons/sec

Cela explique pourquoi un modèle de 20B paramètres peut surperformer un modèle de 120B de 11x en pratique. Si vous prévoyez de servir plusieurs requêtes simultanées, comprendre comment Ollama gère les requêtes parallèles devient essentiel pour la planification de capacité. La division d’offloading CPU ci-dessus est en réalité un problème de budget de KV-cache et de poids déguisé — KV Cache sur GPU 16 GB passe en revue les mathématiques exactes et les paramètres OLLAMA_KV_CACHE_TYPE qui vous permettent de récupérer de la marge sans passer à un modèle plus petit.

Résultats Détaillés du Benchmark

Modèles Fonctionnant à 100% sur GPU

GPT-OSS 20B — Le Champion de la Vitesse

ollama run gpt-oss:20b --verbose
/set parameter num_ctx 19000

NAME           SIZE     PROCESSOR    CONTEXT
gpt-oss:20b    14 GB    100% GPU     19000

eval count:           2856 token(s)
eval duration:        20.410517947s
eval rate:            139.93 tokens/s

À 139.93 jetons/sec, GPT-OSS 20B est le vainqueur incontesté pour les applications où la vitesse est critique. Il n’utilise que 14GB de VRAM, laissant de la place pour des fenêtres de contexte plus grandes ou d’autres charges de travail GPU.

Qwen3 14B — Excellent Équilibre

ollama run qwen3:14b --verbose
/set parameter num_ctx 19000

NAME         SIZE     PROCESSOR    CONTEXT
qwen3:14b    12 GB    100% GPU     19000

eval count:           3094 token(s)
eval duration:        50.020594575s
eval rate:            61.85 tokens/s

Qwen3 14B offre le meilleur suivi des instructions à mon expérience, avec une empreinte mémoire confortable de 12GB. À 61.85 jetons/sec, il est assez réactif pour un usage interactif.

Pour les développeurs intégrant Qwen3 dans des applications, voir Sortie Structurée LLM avec Ollama et Qwen3 pour extraire des réponses JSON structurées.

Ministral 3 14B — Rapide et Compact

ollama run ministral-3:14b --verbose
/set parameter num_ctx 19000

NAME               SIZE     PROCESSOR    CONTEXT
ministral-3:14b    13 GB    100% GPU     19000

eval count:           1481 token(s)
eval duration:        21.11734277s
eval rate:            70.13 tokens/s

Le modèle plus petit de Mistral délivre 70.13 jetons/sec tout en tenant entièrement dans la VRAM. Un choix solide lorsque vous avez besoin de la qualité de la famille Mistral à vitesse maximale.

qwen3.5:9b - rapide et nouveau

ollama run  qwen3.5:9b --verbose
/set parameter num_ctx 19000
compare weather and climate between capital cities of australia

NAME          ID              SIZE      PROCESSOR    CONTEXT
qwen3.5:9b    6488c96fa5fa    9.3 GB    100% GPU     19000

eval count:           3802 token(s)
eval duration:        41.830174597s
eval rate:            90.89 tokens/s

qwen3.5:9b-q8_0 - quantification q8

Cette quantification réduit les performances de qwen3.5:9b de 30% par rapport à q4.

ollama run  qwen3.5:9b-q8_0 --verbose
/set parameter num_ctx 19000

compare weather and climate between capital cities of australia
NAME               ID              SIZE     PROCESSOR    CONTEXT
qwen3.5:9b-q8_0    441ec31e4d2a    13 GB    100% GPU     19000

eval count:           3526 token(s)
eval duration:        57.595540159s
eval rate:            61.22 tokens/s

Modèles Nécessitant un Offloading CPU

qwen3-coder:30b - le plus rapide de l’ensemble des LLM 30b en raison du texte uniquement

ollama run qwen3-coder:30b --verbose
/set parameter num_ctx 19000
compare weather and climate between capital cities of australia

NAME               ID              SIZE     PROCESSOR          CONTEXT
qwen3-coder:30b    06c1097efce0    20 GB    25%/75% CPU/GPU    19000
22%/605%

eval count:           559 token(s)
eval duration:        9.77768875s
eval rate:            57.17 tokens/s

Qwen3-VL 30B — Meilleure Performance Partiellement Offloadée

ollama run qwen3-vl:30b-a3b-instruct --verbose
/set parameter num_ctx 19000

NAME                         SIZE     PROCESSOR          CONTEXT
qwen3-vl:30b-a3b-instruct    22 GB    30%/70% CPU/GPU    19000

eval count:           1450 token(s)
eval duration:        28.439319709s
eval rate:            50.99 tokens/s

Malgré 30% des couches sur CPU, Qwen3-VL maintient 50.99 jetons/sec — plus rapide que certains modèles 100% GPU. La capacité de vision ajoute de la polyvalence pour les tâches multimodales.

Mistral Small 3.2 24B — Compromis Qualité vs Vitesse

ollama run mistral-small3.2:24b --verbose
/set parameter num_ctx 19000

NAME                    SIZE     PROCESSOR          CONTEXT
mistral-small3.2:24b    19 GB    18%/82% CPU/GPU    19000

eval count:           831 token(s)
eval duration:        44.899859038s
eval rate:            18.51 tokens/s

Mistral Small 3.2 offre une qualité linguistique supérieure mais paie une pénalité de vitesse élevée. À 18.51 jetons/sec, il semble nettement plus lent pour le chat interactif. La peine pour les tâches où la qualité prime sur la latence.

GLM 4.7 Flash — Modèle de Réflexion MoE

ollama run glm-4.7-flash --verbose
/set parameter num_ctx 19000

NAME                 SIZE     PROCESSOR          CONTEXT
glm-4.7-flash        21 GB    27%/73% CPU/GPU    19000

eval count:           2446 token(s)
eval duration:        1m12.239164004s
eval rate:            33.86 tokens/s

GLM 4.7 Flash est un modèle Mixture of Experts de 30B-A3B — 30B de paramètres au total avec seulement 3B actifs par jeton. En tant que modèle de “réflexion”, il génère un raisonnement interne avant les réponses. Les 33.86 jetons/sec incluent à la fois les jetons de réflexion et de sortie. Malgré l’offloading CPU, l’architecture MoE le garde raisonnablement rapide.

qwen3.5:35b - Nouveau modèle avec de bonnes performances auto-hébergées

ollama run qwen3.5:35b --verbose
/set parameter num_ctx 19000
compare weather and climate between capital cities of australia

NAME           ID              SIZE     PROCESSOR          CONTEXT
qwen3.5:35b    4af949f8bdf0    27 GB    43%/57% CPU/GPU    19000

eval count:           3418 token(s)
eval duration:        2m45.458926548s
eval rate:            20.66 tokens/s

GPT-OSS 120B — Le Géant

ollama run gpt-oss:120b --verbose
/set parameter num_ctx 19000

NAME            SIZE     PROCESSOR          CONTEXT
gpt-oss:120b    66 GB    78%/22% CPU/GPU    19000

eval count:           5008 token(s)
eval duration:        6m36.168233066s
eval rate:            12.64 tokens/s

L’exécution d’un modèle de 120B sur 16GB de VRAM est techniquement possible mais pénible. Avec 78% sur CPU, les 12.64 jetons/sec rendent l’usage interactif frustrant. Mieux adapté au traitement par lots où la latence n’a pas d’importance.

qwen3.5:27b - Intelligent mais lent sur Ollama

ollama run qwen3.5:27b --verbose
/set parameter num_ctx 19000
compare weather and climate between capital cities of australia

NAME           ID              SIZE     PROCESSOR          CONTEXT
qwen3.5:27b    193ec05b1e80    24 GB    43%/57% CPU/GPU    19000

eval count:           3370 token(s)
eval duration:        8m40.087510281s
eval rate:            6.48 tokens/s

J’ai testé qwen3.5:27b et j’ai eu un avis extrêmement positif sur les performances de ce modèle avec OpenCode. Il est très capable, cultivé, vraiment bon en appel d’outils, bien qu’il soit lent sur ma machine sur Ollama. J’ai essayé d’autres plateformes d’auto-hébergement de LLM, et j’ai obtenu des vitesses beaucoup plus élevées. Je pense qu’il est temps de laisser Ollama tomber. J’en écrirai un peu plus tard.

Recommandations Pratiques

Pour le Chat Interactif

Utilisez des modèles qui tiennent à 100% dans la VRAM :

1. GPT-OSS 20B — Vitesse maximale (139.93 j/s)
2. Ministral 3 14B — Bonne vitesse avec la qualité Mistral (70.13 j/s)
3. Qwen3 14B — Meilleur suivi des instructions (61.85 j/s)

Pour une meilleure expérience de chat, envisagez des Interfaces de Chat Open-Source pour Ollama local.

Pour le Traitement par Lots

Ceci est encore, sur mon équipement - 14GB VRAM.

Lorsque la vitesse est moins critique :

• Mistral Small 3.2 24B — Qualité linguistique supérieure
• Qwen3-VL 30B — Capacité Vision + texte

Lorsque la vitesse n’est pas critique du tout :

• Qwen3.5:35b - Bonnes capacités de codage
• Qwen3.5:27b - Extrêmement bon, mais lent sur Ollama. J’ai eu beaucoup de succès à héberger ce modèle sur llama.cpp cependant.

Pour le Développement et le Codage

Si vous construisez des applications avec Ollama :

• Exemples d’intégration Python
• Comparaison du SDK Go

Options d’Hébergement Alternatives

Si les limites d’Ollama vous inquiètent (voir Préoccupations concernant l’enshittification d’Ollama), explorez d’autres options dans le Guide d’Hébergement Local de LLM ou comparez Docker Model Runner vs Ollama.

Conclusion

Avec 16GB de VRAM, vous pouvez exécuter des LLM capables à des vitesses impressionnantes — si vous choisissez judicieusement. Les principales découvertes :

1. Restez dans les limites de VRAM pour un usage interactif. Un modèle de 20B à 140 jetons/sec bat un modèle de 120B à 12 jetons/sec pour la plupart des usages pratiques.

2. GPT-OSS 20B gagne en pure vitesse, mais Qwen3 14B offre le meilleur équilibre entre vitesse et capacité pour les tâches de suivi des instructions.

3. L’offloading CPU fonctionne mais attendez-vous à des ralentissements de 3 à 10x. Acceptable pour le traitement par lots, frustrant pour le chat.

4. La taille du contexte compte. Le contexte de 19K utilisé ici augmente considérablement l’utilisation de la VRAM. Réduisez le contexte pour une meilleure utilisation du GPU.

Pour la recherche alimentée par l’IA combinant des LLM locaux avec des résultats web, voir auto-hébergement de Perplexica avec Ollama.

Pour explorer plus de benchmarks, les compromis entre VRAM et débit, et l’ajustement des performances entre Ollama et d’autres temps d’exécution, consultez notre centre de ressources sur Performances LLM : Benchmarks, Goulets d’étranglement et Optimisation.

Liens Utiles

Ressources Internes

• Fiche de triche Ollama : Les commandes Ollama les plus utiles
• Comment Ollama Gère les Requêtes Parallèles
• Comment Ollama utilise les Cœurs de Performance et Efficience Intel CPU
• Hébergement Local de LLM : Guide Complet 2026 - Ollama, vLLM, LocalAI, Jan, LM Studio & Plus

Références Externes

• Documentation Officielle d’Ollama
• Dépôt GitHub d’Ollama
• Famille de Modèles Qwen3
• Modèles Mistral AI
• Boîte à Outils CUDA NVIDIA