I Ran DeepSeek V4.1, Qwen & GLM on an Old M1 Laptop... It Worked! 🤯

I Ran DeepSeek V4.1, Qwen & GLM on an Old M1 Laptop... It Worked! 🤯

J'ai fait tourner DeepSeek V4.1, Qwen et GLM sur un vieux portable M1... Ça a marché ! 🤯

Historique des titres
  • I Ran DeepSeek V4.1, Qwen & GLM on an Old M1 Laptop... It Worked! 🤯 — observé le 20261029-0033 UTC (YouTube)

par xCreate · Voir la chaîne sur PSI

Sciences appliquées & ingénierie IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQFIntelligence artificielle générative
🎙 xCreate 👥 27K 📅 28 octobre 2026 ⏱ 15 min 👁 237 📄 tutoriel 🧭 2026-10-29
Disponible en : Français (actuel) English

Mots-clés

local AIDeepSeek V4.1M1 Maxexpert streamingquantization

Résumé

Dans cette vidéo, le créateur teste l’exécution de modèles de langage volumineux (DeepSeek V4.1, Qwen 3.8 Flash, GLM 5.3 Flash) sur du matériel Apple ancien (MacBook Pro M1 Max 64 Go, M5 Max 128 Go, Mac Studio 512 Go). Il utilise des techniques de streaming d’experts et d’engrammes pour réduire l’empreinte mémoire et adapter ces modèles à des systèmes à RAM limitée. Il mesure les performances en tokens par seconde, montrant par exemple que DeepSeek V4.1 tourne à environ 2 tokens/s sur le M1 Max, 7 tokens/s sur le M5 Max, et 15-16 tokens/s sur le Mac Studio avec la version standard, et 11 tokens/s en streaming. Il teste également la quantification (Q9, Q6) et l’activation du Multi-Token Prediction (MTP), qui améliore significativement la vitesse. Le vidéo est un tutoriel pratique avec des conseils pour optimiser l’utilisation de ces modèles localement.

141 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La vidéo apporte une démonstration concrète et chiffrée de la faisabilité d’exécuter de très gros modèles sur du matériel modeste grâce à des techniques de streaming. L’argumentation repose sur des mesures précises et des comparaisons entre configurations. Cependant, elle est basée sur une expérience personnelle, sans protocole scientifique rigoureux, et les résultats peuvent varier selon les usages. Néanmoins, la démarche est transparente (détails des réglages) et utile pour la communauté.

Rigueur scientifique, qualité des sources, adéquation du titre

Le titre est conforme au contenu : il a effectivement exécuté ces modèles sur un vieux M1 et ça a fonctionné. Les sources mentionnées sont principalement des vidéos complémentaires et l’outil Inferencer. Il n’y a pas de référence à des travaux académiques, mais l’accent est mis sur la pratique. L’adéquation titre/contenu est bonne, sans exagération.

140 mots

Adéquation titre / contenu

Le titre correspond exactement au contenu : la vidéo montre l'exécution de ces modèles sur un ancien M1, avec des résultats positifs.

Qualité & fiabilité

7/10

Les performances sont mesurées avec soin et détaillées, mais elles proviennent de tests personnels non reproduits et sans protocole scientifique complet.

Chapitres

Sources citées

Références externes

Apport & nouveautés

L’apport original réside dans la démonstration pratique de l’exécution de modèles de très grande taille sur du matériel vieillissant et modeste, grâce à des techniques de streaming d’experts et d’engrammes. Le créateur partage des benchmarks concrets et des réglages optimisés, ce qui est rare et utile pour la communauté. Il compare aussi différentes quantifications et l’impact du Multi-Token Prediction, offrant ainsi des pistes concrètes pour les utilisateurs locaux.

Pour aller plus loin :

  • Mixture of Experts — Le concept de mixture of experts est central pour comprendre le streaming d’experts.
  • Model compression — La quantification est une technique de compression de modèles, pertinente pour réduire l’empreinte mémoire.
  • Multi-token prediction (sans URL) — Technique abordée dans la vidéo pour accélérer l’inférence, encore en développement dans la recherche.

126 mots

Profil radar

Le profil radar montre une vidéo riche en informations techniques et relativement fiable, avec une quantité d'information élevée et un niveau technique important. La fiabilité est correcte mais non académique, ce qui laisse place à des tests plus rigoureux dans d'autres contextes.

Fiabilité 7/10