LLM Farm, avis (2026) : app GGUF open source, retirée de l'App Store

Qu'est-ce que LLM Farm ?

Qui a créé LLM Farm ?

• Développeur : Artem Savkin (GitHub : guinmoon), travaillant de façon indépendante et non pour une société.
• Lancement sur l'App Store : 13 décembre 2023. Dépôt GitHub créé : 14 juin 2023.
• Licence : MIT — licence open source permissive, libre d'utilisation, de fork et de modification. Titulaire des droits selon le fichier LICENSE : Artem Savkin, 2023.
• Plus de 2 000 étoiles GitHub et plus de 180 forks au moment de cet avis, avec un suivi de tickets actif mais non résolu (46 tickets ouverts).
• Rythme de développement : intermittent depuis 2025 — les commits mettant à jour la dépendance llama.cpp et la documentation se sont poursuivis début 2026, mais aucune nouvelle version taguée n'est sortie depuis la 1.4.3 en janvier 2025.

LLM Farm est-elle encore sur l'App Store ?

• Statut App Store : retirée depuis environ août 2025, d'après l'historique des commits et des versions du projet.
• Statut TestFlight : fermé, selon le README GitHub actuel, au moment de cet avis.
• Raison du retrait : non indiquée par le développeur ni par Apple dans aucune source que PromptQuorum a pu localiser.
• Seule voie confirmée pour installer l'app actuellement : la compiler depuis le code source via Xcode, à partir du dépôt GitHub public.

Comment obtenir LLM Farm aujourd'hui

1. 1
   Installer Xcode et un compte développeur Apple
   Why it matters: Il vous faut un Mac avec Xcode installé et un compte développeur Apple gratuit ou payant pour compiler et signer l'application pour votre propre appareil. C'est le principal obstacle pour les non-développeurs.
2. 2
   Cloner le dépôt de façon récursive
   Why it matters: Exécutez `git clone --recurse-submodules https://github.com/guinmoon/LLMFarm` — l'option `--recurse-submodules` est nécessaire car la bibliothèque d'inférence sous-jacente `llmfarm_core` a été déplacée vers un dépôt séparé et est intégrée comme sous-module.
3. 3
   Ouvrir le projet dans Xcode et le compiler pour votre appareil
   Why it matters: Ouvrez le fichier de projet Xcode, sélectionnez votre appareil ou la cible Mac, définissez votre propre équipe de signature développeur, puis compilez. Vous obtenez ainsi une app exécutable sur votre propre matériel, mais pas une app distribuable à d'autres via l'App Store.
4. 4
   Télécharger un modèle GGUF et le charger
   Why it matters: Une fois l'app en fonctionnement, ajoutez un fichier de modèle GGUF (depuis Hugging Face ou une autre source) et chargez-le depuis l'écran de gestion des modèles de l'app, puis commencez à discuter entièrement sur l'appareil.

Quels modèles LLM Farm prend-elle en charge ?

LLM Farm est-elle disponible sur iPhone, iPad et Mac ?

Combien coûte LLM Farm ?

• L'app elle-même : Gratuite, open source sous licence MIT — aucun prix d'achat trouvé pour le code ou ses fonctionnalités.
• Achats intégrés : Aucun trouvé dans les sources consultées pour cet article.
• Outils de compilation : Xcode est gratuit mais nécessite un Mac ; un identifiant Apple gratuit peut signer des builds pour un usage personnel avec un certificat à renouveler environ tous les sept jours, tandis qu'un abonnement payant au programme développeur Apple évite ce cycle de renouvellement.
• Coût de stockage : Non monétaire, mais réel — chaque fichier de modèle GGUF téléchargé occupe de l'espace de stockage, typiquement plusieurs gigaoctets par modèle.

Quelles fonctionnalités propose LLM Farm ?

• Prise en charge étendue des architectures. Plus de 16 architectures de modèles, dont plusieurs (Starcoder, Falcon, MPT, Bloom, RWKV, GPTNeoX) que d'autres apps mobiles de local-AI ne prennent généralement pas en charge.
• Modèles multimodaux (vision-langage). La prise en charge de LLaVA, BakLLaVA, Obsidian, ShareGPT4V, MobileVLM, Yi-VL et Moondream permet à l'app de traiter des invites combinant image et texte, selon le README.
• Plusieurs méthodes d'échantillonnage. Temperature, Tail-Free Sampling (TFS), Locally Typical Sampling, Mirostat, Greedy et l'échantillonnage contraint par grammaire figurent parmi les options prises en charge.
• Sortie contrainte par grammaire. L'échantillonnage par grammaire permet de contraindre la sortie d'un modèle à une structure définie (comme du JSON valide), utile pour des cas d'usage de sortie structurée.
• Modèles de paramètres et restauration de contexte. Configurations enregistrées par modèle, et possibilité de restaurer l'état de contexte d'une conversation plutôt que de le retraiter depuis le début.
• Intégration aux Raccourcis Apple. L'app peut être déclenchée depuis l'app d'automatisation Raccourcis d'Apple, selon le README.
• Génération augmentée par récupération (RAG) basique. Le README mentionne une capacité RAG, sans détailler dans les documents consultés pour cet article sa méthode de récupération exacte ni les formats de documents pris en charge.

Fine-tuning et fusion LoRA sur l'appareil

• Chargement d'un ou plusieurs adaptateurs LoRA, chacun avec son propre paramètre d'échelle configurable.
• Fine-tuning d'un modèle de base sur l'appareil via Settings > FineTune — selon le wiki, limité en pratique à environ 3 milliards de paramètres avec des réglages minimaux sur iOS.
• Fusion d'un adaptateur LoRA entraîné avec son modèle de base et export via Settings > Merge Lora.
• Compromis : le wiki indique que le chargement en mémoire mappée (mmap) ne peut pas être utilisé tant qu'un adaptateur LoRA est actif, ce qui augmente la consommation de RAM par rapport à l'exécution du seul modèle de base.

Quel matériel vous faut-il pour LLM Farm ?

• Petits modèles (2 à 4 Mrd de paramètres, quantifiés) : utilisables sur la plupart des iPhone et Mac récents avec 4 Go+ de RAM libre.
• Modèles de taille moyenne (7 à 8 Mrd de paramètres, quantifiés) : 8 Go ou plus de RAM recommandés pour une réactivité acceptable.
• Fine-tuning LoRA spécifiquement : selon le wiki du projet, limité en pratique à environ 3 Mrd de paramètres sur iOS avec des réglages minimaux, en raison des contraintes de calcul et de mémoire sur l'appareil.
• OS minimum : iOS 16 ou macOS 13, selon le README GitHub.
• Stockage : prévoir plusieurs gigaoctets d'espace libre par fichier de modèle GGUF téléchargé.

À qui s'adresse LLM Farm

• Aux développeurs à l'aise pour compiler une app depuis le code source dans Xcode. L'App Store et TestFlight étant actuellement fermés, c'est une exigence stricte, pas un simple plus.
• Aux utilisateurs qui veulent spécifiquement un fine-tuning ou une fusion d'adaptateurs LoRA sur l'appareil. La plupart des apps mobiles de local-AI concurrentes ne proposent pas du tout cet ensemble de fonctionnalités.
• Aux utilisateurs qui veulent la plus large gamme d'architectures de modèles prises en charge sur un appareil mobile. Plus de seize architectures, dont plusieurs de niche (RWKV, Mamba, GPTNeoX), c'est inhabituellement large pour une app de téléphone.
• Aux utilisateurs qui veulent inspecter ou modifier le code eux-mêmes. La licence MIT autorise le fork et la modification, et la base de code constitue une référence utile pour comprendre une surcouche llama.cpp/ggml en Swift.

À qui LLM Farm ne convient pas

• À toute personne qui ne peut pas ou ne veut pas compiler une app iOS/macOS depuis le code source. C'est la principale raison d'éviter LLM Farm pour l'instant : il n'y a pas d'installation depuis l'App Store, ni d'accès TestFlight confirmé, au moment de cet avis.
• Aux utilisateurs qui ont besoin d'une prise en charge Android, Windows ou Linux. LLM Farm est réservée à Apple ; les utilisateurs Android devraient se tourner vers RikkaHub, ChatterUI ou Maid, et les utilisateurs de bureau sans Mac vers Ollama, LM Studio ou Jan AI.
• Aux utilisateurs qui veulent une app installable de façon garantie aujourd'hui. PocketPal AI et Private LLM sont toutes deux installables immédiatement depuis l'App Store, sans rien compiler.
• Aux utilisateurs qui attendent des versions fréquentes et numérotées. La dernière version taguée du projet est sortie en janvier 2025 ; bien que des commits se soient poursuivis par intermittence depuis, aucune nouvelle version packagée n'est parue depuis plus d'un an au moment de cet avis.
• Aux utilisateurs qui ont besoin d'un support garanti ou d'une feuille de route définie. LLM Farm est maintenue de façon indépendante par un seul développeur, selon l'historique de son dépôt, sans engagement annoncé de rétablir sa disponibilité sur l'App Store.

LLM Farm face aux alternatives

Questions fréquentes

Verdict

Sources

• LLM Farm sur GitHub — code source, licence (MIT), README, historique des commits et nombre d'étoiles/forks cités dans cet avis.
• Fichier LICENSE de LLM Farm — texte de la licence MIT et titulaire des droits d'auteur (Artem Savkin, 2023).
• Wiki LLM Farm : FAQ — notes d'installation et détails des formats de fichiers pris en charge.
• Wiki LLM Farm : LoRA — documentation sur le chargement, le fine-tuning et la fusion LoRA.
• llmfarm_core.swift sur GitHub — la bibliothèque d'inférence sous-jacente citée dans cet avis.
• Historique des versions GitHub pour guinmoon/LLMFarm — dernière version taguée (1.4.3, janvier 2025) citée dans cet avis.

Lectures complémentaires

• Best Local LLM Apps for iPhone in 2026 — le comparatif iOS, avec des alternatives installables à LLM Farm.
• Avis PocketPal AI — une alternative gratuite, open source et installable directement pour iPhone, iPad et Android.
• Avis Private LLM — une alternative payante, closed source, réservée à Apple, avec un large catalogue de modèles.
• Avis Enclave AI — une alternative réservée à Apple avec automatisation Siri et Raccourcis.
• Loci AI Review: Offline AI for iPhone, Android, iPad, Mac and Windows — une alternative payante, closed source, sur cinq plateformes, avec une bibliothèque de modèles organisée.