Ollama sur Mac 2026 : Guide d'installation complet Apple Silicon (M1–M5, GPU Metal)

Installation rapide (3 commandes)

1. 1
   Installer Ollama
   Why it matters: `brew install ollama` — installation en un clic.
2. 2
   Télécharger un modèle
   Why it matters: `ollama pull llama2` — télécharge Llama 2 7B.
3. 3
   Commencer à chatter
   Why it matters: `ollama run llama2` — interface de chat interactive.

Vérification GPU Metal

1. 1
   Exécuter avec sortie détaillée
   Why it matters: `ollama run llama3.1:8b --verbose` et rechercher `ggml_metal_init: found device: Apple M[X]` dans la sortie console.
2. 2
   Vérifier la vitesse pendant l'inférence
   Why it matters: Observer le taux de génération de tokens : doit être 20–60 tok/s selon le Mac (M5 Pro : ~50 tok/s sur Llama 3.1 8B). Fallback CPU uniquement : ~1–5 tok/s.
3. 3
   Surveiller l'utilisation GPU
   Why it matters: Ouvrir le Moniteur d'activité (Applications → Utilitaires) et vérifier la section GPU. Doit montrer 80–100% d'utilisation GPU pendant l'inférence si Metal fonctionne.

Gestion des modèles

1. 1
   `ollama pull <modèle>`
   Why it matters: Télécharger un modèle. Exemple : `ollama pull mistral`.
2. 2
   `ollama list`
   Why it matters: Lister tous les modèles téléchargés.
3. 3
   `ollama run <modèle>`
   Why it matters: Démarrer un chat interactif avec le modèle.
4. 4
   `ollama rm <modèle>`
   Why it matters: Supprimer le modèle pour libérer de l'espace.

Optimisation mémoire pour Apple Silicon

• OLLAMA_MAX_LOADED_MODELS : Nombre de modèles conservés en mémoire. Par défaut : 1. Définir à 2–3 pour les configurations multi-modèles.
• Couches GPU : Par défaut, Ollama utilise toute la mémoire unifiée disponible. Pour une mémoire insuffisante, définir `num_gpu_layers` dans le Modelfile.
• Whisper : Combiner avec un modèle d'embedding et un LLM — tient dans 64 Go M5 Pro avec Ollama.

Exécuter plusieurs modèles simultanément

export OLLAMA_MAX_LOADED_MODELS=3
export OLLAMA_KEEP_ALIVE=1h
brew services restart ollama

# Now pull all models you need
ollama pull llama3.1:8b
ollama pull llava:7b

# Send requests to each — they stay loaded
curl http://localhost:11434/api/chat -d '{"model": "llama3.1:8b", "messages": [{"role": "user", "content": "Hello"}]}'
curl http://localhost:11434/api/chat -d '{"model": "llava:7b", "messages": [{"role": "user", "content": "Describe this image"}]}'

Démarrage automatique à la connexion

# Enable auto-start
brew services start ollama

# Check status
brew services list | grep ollama

# Disable auto-start (optional)
brew services stop ollama

Configuration API pour développeurs

# Chat endpoint (streaming)
curl http://localhost:11434/api/chat -d '{
  "model": "llama3.1:8b",
  "messages": [{"role": "user", "content": "Write a Python function"}],
  "stream": false
}'

# Python example
import requests
response = requests.post(
  "http://localhost:11434/api/chat",
  json={
    "model": "llama3.1:8b",
    "messages": [{"role": "user", "content": "Hello"}],
    "stream": False
  }
)
print(response.json()["message"]["content"])

Personnalisation Modelfile

• `ollama create llm-expert -f Modelfile` — crée le modèle personnalisé
• `ollama run llm-expert` — démarre un chat interactif avec votre modèle personnalisé
• `ollama run llm-expert "Code review this function"` — envoyer un prompt directement

FROM llama2
SYSTEM "You are an expert software engineer reviewing code for security and performance issues. Provide actionable feedback."
PARAMETER temperature 0.7
PARAMETER top_p 0.9

Problèmes courants et solutions

• Metal non détecté : Vérifier avec `ollama run llama3.1:8b --verbose` et chercher `ggml_metal_init: found device: Apple M[X]`. Si absent, redémarrer : `brew services restart ollama` ou `pkill ollama && ollama serve &`.
• Inférence lente (fallback CPU) : Cause : Metal n'a pas pu s'initialiser, modèle sur CPU. Vérifier le Moniteur d'activité — GPU doit être à 80–100% pendant l'inférence. Si GPU affiche 0% : redémarrer Ollama.
• Mémoire insuffisante (OOM) : Le modèle plante ou la réponse est tronquée. Cause : modèle + contexte + surcharge macOS dépasse la RAM. Solutions : (1) Utiliser une quantification plus petite (`ollama pull llama3.1:8b-q4_K_M`), (2) Réduire le contexte (`OLLAMA_NUM_CTX=2048 ollama run llama3.1:8b`), (3) Utiliser un modèle plus petit (`ollama pull phi4` — 2,5 Go).
• Téléchargement du modèle bloqué : Cause : limitation réseau ou limites de débit HuggingFace. Fix : `pkill ollama && ollama pull llama3.1:8b` (reprend depuis la progression précédente).
• Port 11434 déjà utilisé : Une autre instance Ollama fonctionne ou un service différent utilise le port. Trouver : `lsof -i :11434`. Fix : `pkill ollama` puis redémarrer.
• Le modèle produit du charabia / caractères aléatoires : Cause : paramètres Modelfile hors plage ou mauvais template. Fix : récupérer le modèle officiel `ollama pull llama3.1:8b` (écrase le personnalisé), puis tester : `ollama run llama3.1:8b "Hello, how are you?"`.
• Le stockage se remplit : Les modèles sont stockés dans `~/.ollama/models/`. Vérifier la taille : `du -sh ~/.ollama/`. Supprimer les inutilisés : `ollama rm <nom-du-modèle>`.

Articles connexes

• Apple Silicon pour les LLM locaux : Guide complet
• Comparaison MLX vs Ollama vs llama.cpp
• Meilleurs modèles LLM pour Apple Silicon
• Quelle quantité de mémoire unifiée pour les LLM locaux ?
• Benchmarks M5 Pro vs M5 Max
• Mac Mini M5 comme serveur IA local