> ## Documentation Index > Fetch the complete documentation index at: https://docsmlx.otterly.dev/llms.txt > Use this file to discover all available pages before exploring further. # LLMs locaux sur Mac — vue d'ensemble > Choisir entre MLX, Ollama, llama.cpp et les intégrations Swift pour exécuter des modèles localement Quand vous dites "je veux un LLM local sur mon Mac", vous pouvez en réalité viser des besoins très différents : * tester rapidement un modèle * exposer une API locale * intégrer un modèle open weight dans une app * utiliser le modèle système Apple dans Swift La bonne option dépend d'abord de votre objectif, pas du benchmark du moment. *** ## Les quatre familles à connaître Le meilleur point d'entrée si vous voulez rester dans l'écosystème Apple et garder la main sur le modèle. Le plus simple pour tester vite, exposer une API locale et changer de modèle facilement. Une base solide si vous travaillez aussi hors Mac ou si vous utilisez beaucoup le format GGUF. À considérer si votre destination finale est une app Apple en Swift. *** ## Comment choisir ### Choisissez MLX si * vous voulez travailler avec des modèles open weight sur Apple Silicon * vous envisagez du fine-tuning * vous voulez un workflow `Python + Swift` * vous préférez rester proche de l'écosystème `ml-explore` ### Choisissez Ollama si * vous débutez * vous voulez lancer un modèle en quelques minutes * vous avez surtout besoin d'une API locale simple * vous ne voulez pas gérer immédiatement les formats et conversions ### Choisissez llama.cpp si * vous travaillez déjà avec des modèles GGUF * vous voulez un backend très répandu et très portable * vous devez faire tourner la même stack sur plusieurs plateformes ### Choisissez Foundation Models ou une intégration Swift dédiée si * votre vrai produit est une app Apple * vous privilégiez l'expérience utilisateur SwiftUI * vous voulez d'abord valider un cas d'usage on-device côté app *** ## Le critère le plus important : quel modèle voulez-vous utiliser ? Avant de choisir un backend, répondez à ces questions : 1. Le modèle que vous visez existe-t-il déjà en format MLX ? 2. Est-il disponible en GGUF ? 3. Voulez-vous le fine-tuner plus tard ? 4. Votre app doit-elle embarquer le modèle ou simplement appeler un serveur local ? Exemples : * si vous voulez surtout des modèles `mlx-community`, MLX est un choix naturel * si vous avez déjà un pipeline centré sur GGUF, `llama.cpp` ou Ollama sera souvent plus direct * si vous voulez une app Swift utilisant le modèle Apple, Foundation Models est plus simple qu'un modèle custom *** ## Scénarios concrets | Vous voulez... | Point de départ recommandé | | ---------------------------------------------------------------------------- | ----------------------------------- | | Tester plusieurs modèles depuis le terminal | Ollama ou `mlx_lm.chat` | | Servir un modèle local à une app via HTTP | Ollama ou `mlx_lm.server` | | Fine-tuner un modèle localement | MLX / `mlx-lm` | | Ajouter une fonctionnalité IA dans une app Swift avec le minimum de friction | Foundation Models | | Intégrer un modèle open weight précis dans une app Apple | MLX Swift ou un serveur local dédié | *** ## Recommandation simple pour un développeur Swift Si vous découvrez encore l'IA locale, suivez cet ordre : 1. Testez quelques modèles avec `mlx-lm` ou Ollama. 2. Vérifiez si votre cas d'usage peut être couvert par Foundation Models. 3. Passez à MLX Swift seulement si vous avez vraiment besoin d'un modèle open weight spécifique dans l'app. Cet ordre évite de commencer par l'option la plus coûteuse en intégration. *** CLI, Python et serveur local. Les alternatives les plus courantes.