Qu'est-ce que TurboFieldfare ?
TurboFieldfare est un runtime d'inférence locale spécifique à un modèle pour Mac Apple Silicon, conçu pour exécuter un seul modèle — Gemma 4 26B-A4B — dans un budget mémoire strict, plutôt que de supporter des modèles arbitraires comme un moteur généraliste. Son propre README GitHub le décrit sans détour : « Inférence de Gemma 4 26B-A4B avec environ 2 Go de RAM. Un runtime Swift + Metal sur mesure pour tout Mac Apple Silicon, même les modèles à 8 Go. »
- Type de produit : un runtime natif Swift/Metal, une CLI et une application Mac — pas un wrapper autour de llama.cpp ou MLX, selon son propre README
- Portée : spécifique à un modèle, exécute uniquement Gemma 4 26B-A4B (instruction-tuned), pas un moteur multi-modèles
- Dépôt : github.com/drumih/turbo-fieldfare, créé le 17 juillet 2026
- Licence : Apache 2.0 pour le code source ; les poids du modèle sont régis par les propres conditions Gemma de Google et téléchargés séparément depuis Hugging Face
- Ampleur : plus de 6 750 étoiles GitHub, 430+ forks et 26 issues ouvertes au moment de ce test
- Désambiguïsation : plusieurs dépôts au nom et à la description quasi identiques existent sous d'autres comptes GitHub ; drumih/turbo-fieldfare est l'original, le plus étoilé, et celui couvert par ce test
Historique du projet et jalons de versions de TurboFieldfare
Le dépôt GitHub de TurboFieldfare a été créé en juillet 2026 — un projet relativement récent — et a depuis publié plusieurs versions, la plus récente ajoutant l'historique des conversations local à son application Mac.
- 1Dépôt créé — 17 juillet 2026
Why it matters: Le dépôt GitHub canonique de TurboFieldfare (drumih/turbo-fieldfare) a été créé, selon les métadonnées de GitHub. - 2v0.7.2 — version précédente
Why it matters: La version précédant immédiatement la v0.8.0, référencée dans le lien de comparaison du changelog de cette version. - 3v0.8.0 — 8 septembre 2026 : historique des conversations local
Why it matters: Selon les notes de version officielles, l'application Mac a commencé à sauvegarder localement l'historique des conversations, permettant aux utilisateurs de rechercher, renommer, supprimer et rouvrir d'anciennes discussions — y compris les textes et images sauvegardés — depuis la barre latérale. Cette version est explicitement marquée « source uniquement », sans binaire précompilé associé.
Que fait réellement TurboFieldfare ?
L'ensemble de fonctionnalités de TurboFieldfare vise à rendre un seul grand modèle utilisable sur du matériel Apple Silicon modeste. Voici ce que fait réellement chaque composant, selon son propre README GitHub et sa documentation.
- Diffusion des poids d'experts depuis le SSD — au lieu de charger l'intégralité du modèle Gemma 4 26B-A4B (~14,3 Go) en mémoire, TurboFieldfare garde un noyau partagé de 1,35 Go et un cache clé-valeur FP16 en mémoire, et ne diffuse que les poids mixture-of-experts nécessaires à chaque token depuis le disque via des appels
pread, avec une politique d'éviction LFU (least-frequently-used) pour le cache d'experts adossé au SSD - Kernels Metal sur mesure — des kernels Metal écrits à la main gèrent le GEMV quantifié, l'attention, le routage mixture-of-experts, la normalisation et l'échantillonnage, plutôt que de s'appuyer sur un framework ML généraliste
- Prefill segmenté (chunked) — selon la documentation de conception système du projet, une stratégie de prefill segmenté réduit le temps jusqu'au premier token tout en maintenant l'usage mémoire sous contrôle
- Trois interfaces, un seul stockage de modèle — une application Mac native, une interface en ligne de commande (TurboFieldfareCLI) et un serveur expérimental en boucle locale compatible OpenAI (TurboFieldfareServer) lisent tous le même répertoire de modèle
.gturbo, bien qu'un seul processus propriétaire du modèle doive s'exécuter à la fois - Tour de vision optionnelle — l'entrée d'images est prise en charge via un pack compagnon de vision installable séparément (environ 1,1 Go), qui nécessite un Mac M2 ou plus récent ; l'inférence texte seule reste disponible sur M1
- Aucune exécution d'outils dans l'app/la CLI — l'application Mac et la CLI prennent en charge les messages utilisateur/modèle et des instructions système optionnelles, mais n'exposent ni n'exécutent d'outils ; le serveur en boucle locale accepte des déclarations de function-tools et renvoie les appels d'outils générés par le modèle pour exécution par le client, selon le README
- Pas de capacité audio/vidéo — selon sa propre documentation, TurboFieldfare ne prend en charge ni l'audio ni la vidéo en entrée
Exemples d'utilisation : trois façons d'utiliser TurboFieldfare
Voici des workflows concrets tirés du README documenté de TurboFieldfare — pas des cas d'usage hypothétiques.
Compiler et exécuter l'application Mac native
Clonez le dépôt, exécutez swift build -c release, puis lancez .build/release/TurboFieldfareMac. Dans l'application, choisissez « Download » pour récupérer et repaqueter le modèle Gemma 4 26B-A4B fixé (environ 15 Go au total), puis « Load Model », saisissez un prompt et cliquez sur « Generate ». Compiler le paquet complet rend disponibles à la fois l'application Mac au premier plan et son exécutable de service de décodage associé, selon le README.
Discuter depuis la ligne de commande
Après avoir compilé le paquet de release, exécutez le produit TurboFieldfareCLI pour un chat de style instruction ou une complétion brute directement dans le terminal, en utilisant le même répertoire de modèle .gturbo téléchargé que l'application Mac — utile pour le scripting ou sur des machines où vous préférez ne pas exécuter l'interface graphique.
Pointer un client compatible OpenAI vers le serveur local en boucle
Exécutez le produit expérimental TurboFieldfareServer pour exposer un point de terminaison Chat Completions compatible OpenAI en boucle locale sur votre propre Mac, puis pointez tout code client OpenAI existant vers cette adresse locale au lieu d'une API cloud. Le serveur accepte également des déclarations de function-tools et renvoie les appels d'outils générés par le modèle pour exécution par votre code client, selon la documentation OPENAI_SERVER.md du projet.
Installer TurboFieldfare
TurboFieldfare n'a pas d'installateur prêt à l'emploi — vous le compilez depuis les sources avec Swift Package Manager, et son code source est sur GitHub. Selon son propre README, la séquence d'installation est : git clone https://github.com/drumih/turbo-fieldfare.git, puis cd turbo-fieldfare, puis swift build -c release, puis lancer .build/release/TurboFieldfareMac.
Source | Lien |
|---|---|
| Dépôt GitHub (code source, Apache 2.0) | github.com/drumih/turbo-fieldfare |
| Documentation de conception système (fonctionnement du runtime) | docs/SYSTEM_DESIGN.md |
| Benchmarks | docs/BENCHMARKS.md |
| Releases (versions taguées) | github.com/drumih/turbo-fieldfare/releases |
La compilation nécessite un Mac Apple Silicon sous macOS 26 avec Metal 4, ainsi que Xcode 26 et Swift 6.2 ou plus récent — le paquet est exclusivement arm64, les Mac Intel et autres plateformes ne sont pas pris en charge. Au premier lancement, Swift Package Manager télécharge et compile les paquets de tokenizer nécessaires, puis l'application télécharge environ 15 Go de poids de modèle avant de pouvoir générer du texte ; vérifiez les exigences actuelles directement sur le README du dépôt, car elles peuvent changer d'une version à l'autre.
Tarifs TurboFieldfare : est-il vraiment gratuit ?
Oui — TurboFieldfare n'a aucune offre payante. Le code source est sous licence Apache 2.0 et gratuit à compiler et exécuter ; il n'y a ni abonnement, ni compte, ni limite d'usage imposée par le projet lui-même.
- Aucun abonnement, aucune offre payante, aucune limite d'usage imposée par TurboFieldfare lui-même
- Aucun compte ni inscription requis pour compiler ou exécuter l'application, la CLI ou le serveur
- Les poids du modèle Gemma 4 26B-A4B sont téléchargés une seule fois depuis Hugging Face et sont régis par les propres conditions du modèle Gemma de Google, distinctes de la licence source Apache 2.0 de TurboFieldfare
- Le seul coût récurrent est votre propre matériel et espace disque : environ 14,3 Go pour le modèle texte, plus environ 1,1 Go supplémentaire si vous installez la tour de vision optionnelle pour les images
TurboFieldfare vs. Ollama
TurboFieldfare et Ollama résolvent des problèmes différents : Ollama est un exécuteur de modèles locaux généraliste qui prend en charge un catalogue large et croissant de modèles ouverts sous macOS, Windows et Linux, tandis que TurboFieldfare est un runtime mono-modèle, exclusivement Apple Silicon, optimisé spécifiquement pour faire tenir Gemma 4 26B-A4B dans environ 2 Go de RAM.
Support des modèles
- TurboFieldfare vs. Ollama:
- TurboFieldfare exécute uniquement Gemma 4 26B-A4B ; Ollama prend en charge un catalogue large et régulièrement mis à jour de modèles ouverts.
Plateforme
- TurboFieldfare vs. Ollama:
- TurboFieldfare est exclusivement Apple Silicon/macOS (arm64, macOS 26+) ; Ollama prend en charge macOS, Windows et Linux.
Méthode d'installation
- TurboFieldfare vs. Ollama:
- TurboFieldfare se compile depuis les sources via Swift Package Manager ; Ollama fournit un installateur/binaire prêt à l'emploi par plateforme.
Approche mémoire
- TurboFieldfare vs. Ollama:
- TurboFieldfare diffuse la majorité des poids d'experts depuis le SSD pour tenir sur un Mac de 8 Go ; Ollama charge les modèles selon la RAM/VRAM disponible de votre matériel, nécessitant généralement plus de mémoire pour un modèle de taille comparable.
Base du moteur
- TurboFieldfare vs. Ollama:
- TurboFieldfare est un runtime Swift/Metal sur mesure, non basé sur llama.cpp ; Ollama est construit sur llama.cpp (GGML) comme cœur d'inférence.
Si votre priorité est d'exécuter un seul grand modèle spécifique sur du matériel Apple Silicon contraint en mémoire, la portée étroite de TurboFieldfare est précisément l'intérêt de l'outil. Si votre priorité est la flexibilité sur de nombreux modèles et plateformes, Ollama est l'outil généraliste plus large — voir le test d'Ollama pour tous les détails. Vérifiez les détails de fonctionnalités actuels directement sur le site de chaque projet avant de choisir.
À qui s'adresse TurboFieldfare ?
La pertinence de TurboFieldfare dépend de si vous voulez spécifiquement exécuter Gemma 4 26B-A4B sur un Mac Apple Silicon contraint en mémoire, plutôt que d'avoir besoin d'un exécuteur de modèles locaux généraliste.
Utilisez TurboFieldfare si vous
- possédez un Mac Apple Silicon, y compris un modèle à 8 Go, et voulez spécifiquement exécuter Gemma 4 26B-A4B en local
- êtes à l'aise pour compiler un logiciel depuis les sources avec Xcode et Swift Package Manager plutôt que de télécharger un installateur prêt à l'emploi
- voulez une expérience d'application Mac native SwiftUI pour un modèle local plutôt qu'un outil uniquement en terminal ou basé sur Electron
- vous intéressez à l'approche d'ingénierie elle-même — kernels Metal sur mesure et poids d'experts diffusés depuis le SSD — et voulez lire un journal d'expériences documenté derrière les affirmations sur la mémoire
- voulez un serveur local expérimental compatible OpenAI pour scripter avec spécifiquement ce modèle
Cherchez ailleurs si vous
- avez besoin d'exécuter plusieurs modèles différents ou de changer fréquemment de modèle — TurboFieldfare ne prend en charge que Gemma 4 26B-A4B ; voir Ollama ou un moteur généraliste
- utilisez Windows, Linux ou un Mac Intel — TurboFieldfare est exclusivement Apple Silicon (arm64) et nécessite macOS 26 avec Metal 4
- voulez un installateur prêt à l'emploi en un clic plutôt qu'une compilation depuis les sources via Xcode et Swift Package Manager
- avez besoin du tool-calling directement dans l'application Mac ou la CLI — seul le serveur expérimental en boucle locale expose des déclarations de function-tools, selon le README
- avez besoin d'entrée audio ou vidéo — TurboFieldfare ne prend en charge ni l'un ni l'autre, selon sa propre documentation
Concurrents et alternatives
TurboFieldfare est le plus souvent comparé à Ollama et LMDeploy dans l'espace des moteurs d'inférence locale — son principal facteur de différenciation est d'être un runtime spécifique à un modèle, étroitement défini, plutôt qu'un moteur généraliste prenant en charge de nombreux modèles.
Outil | Connu pour | Lien |
|---|---|---|
| Ollama | Exécuteur de modèles locaux généraliste avec un large catalogue de modèles, macOS/Windows/Linux | Test d'Ollama |
| LMDeploy | Boîte à outils pour compresser, déployer et servir des LLM, axée sur le débit d'inférence | Test de LMDeploy |
Cette liste reflète les outils couramment comparés à TurboFieldfare dans l'espace des moteurs d'inférence locale, et non un classement indépendant de PromptQuorum — voir le Local LLM Software Directory pour le catalogue complet et régulièrement mis à jour, incluant la propre fiche de TurboFieldfare dans le répertoire. Vérifiez la prise en charge actuelle de plateforme et de modèles de chaque outil avant de choisir.
Erreurs courantes lors de l'évaluation de TurboFieldfare
La plupart des confusions autour de TurboFieldfare viennent de l'attente de fonctionnalités de moteur généraliste qu'il n'a délibérément pas, ou de la confusion avec un dépôt différent portant le même nom.
Erreur 1 : s'attendre à une prise en charge de modèles autres que Gemma 4 26B-A4B
TurboFieldfare est volontairement spécifique à un modèle — il n'exécute que le modèle Gemma 4 26B-A4B instruction-tuned. Ce n'est pas un moteur généraliste comme llama.cpp ou Ollama qui charge des modèles GGUF ou safetensors arbitraires.
Erreur 2 : supposer qu'il existe un DMG ou un installateur prêt à l'emploi
Les propres notes de version de TurboFieldfare décrivent sa version la plus récente comme « source uniquement », sans binaire associé. Vous le compilez vous-même via swift build -c release — il n'existe actuellement aucun paquet d'application prêt à l'emploi téléchargeable.
Erreur 3 : confondre avec un autre dépôt nommé « turbo-fieldfare »
Plusieurs dépôts au nom et à la description quasi identiques existent sous d'autres comptes GitHub. Ce test couvre spécifiquement github.com/drumih/turbo-fieldfare, l'original et le plus étoilé — vérifiez que vous consultez bien ce dépôt avant de citer un fait de ce test ailleurs.
Erreur 4 : s'attendre à une prise en charge de Windows ou Mac Intel
Le paquet de TurboFieldfare est exclusivement arm64 et nécessite macOS 26 avec Metal 4. Il ne fonctionne ni sous Windows, ni Linux, ni sur les Mac à base Intel, selon ses propres exigences système.
Questions fréquemment posées
Qu'est-ce que TurboFieldfare ?
TurboFieldfare (github.com/drumih/turbo-fieldfare) est un runtime natif Swift et Metal, gratuit et open source (Apache 2.0), pour Mac Apple Silicon, qui exécute le modèle Gemma 4 26B-A4B de Google avec environ 2 Go de RAM.
TurboFieldfare est-il gratuit ?
Oui, le code source de TurboFieldfare est gratuit et sous licence Apache 2.0, sans offre payante. Les poids de Gemma 4 26B-A4B sont téléchargés séparément depuis Hugging Face sous les propres conditions du modèle Gemma de Google.
Comment installer TurboFieldfare ?
Clonez le dépôt, exécutez swift build -c release, puis lancez .build/release/TurboFieldfareMac. Il n'y a pas d'installateur prêt à l'emploi — TurboFieldfare doit être compilé depuis les sources via Swift Package Manager.
Quels modèles TurboFieldfare prend-il en charge ?
Uniquement Gemma 4 26B-A4B (instruction-tuned). C'est un runtime spécifique à un modèle, pas un moteur généraliste prenant en charge des modèles arbitraires.
Comment TurboFieldfare exécute-t-il un modèle de 26 milliards de paramètres avec 2 Go de RAM ?
Il garde en mémoire un noyau partagé de 1,35 Go et un petit cache KV, puis diffuse les poids mixture-of-experts restants du modèle depuis le SSD selon les besoins pendant la génération, à l'aide de kernels Metal sur mesure et d'une politique d'éviction LFU pour le cache d'experts adossé au SSD.
Quel matériel TurboFieldfare nécessite-t-il ?
Un Mac Apple Silicon (M1 ou plus récent pour le texte seul ; M2 ou plus récent pour la tour de vision optionnelle), macOS 26 avec Metal 4, et environ 14,3 Go d'espace libre pour le modèle texte. La compilation nécessite Xcode 26 et Swift 6.2 ou plus récent.
TurboFieldfare prend-il en charge Windows ou Linux ?
Non, le paquet est exclusivement arm64 et nécessite macOS 26 avec Metal 4 — il ne prend en charge ni Windows, ni Linux, ni les Mac à base Intel.
TurboFieldfare prend-il en charge les images ?
Oui, via un pack compagnon de vision installable séparément (environ 1,1 Go), qui nécessite un Mac M2 ou plus récent. Sans lui, l'inférence texte seule fonctionne toujours, y compris sur les Mac M1.
TurboFieldfare prend-il en charge le tool-calling ?
L'application Mac native et la CLI n'exposent ni n'exécutent d'outils. Le serveur expérimental en boucle locale compatible OpenAI accepte des déclarations de function-tools et renvoie les appels d'outils générés par le modèle pour exécution par votre code client.
En quoi TurboFieldfare diffère-t-il d'Ollama ?
TurboFieldfare exécute uniquement Gemma 4 26B-A4B sur les Mac Apple Silicon via un runtime Swift/Metal sur mesure ; Ollama est un exécuteur de modèles généraliste et multiplateforme construit sur llama.cpp, avec un catalogue de modèles bien plus large. Voir la comparaison TurboFieldfare vs. Ollama ci-dessus.
PromptQuorum a-t-il testé indépendamment les affirmations de TurboFieldfare ?
Ce test s'appuie sur le dépôt GitHub, le README et la documentation propres de TurboFieldfare, plutôt que sur des benchmarks pratiques réalisés par PromptQuorum.