> ## 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. # MLX Community sur Hugging Face > Choisir et utiliser des modèles déjà préparés pour MLX [MLX Community](https://huggingface.co/mlx-community) est l'endroit le plus simple pour trouver des modèles déjà convertis pour MLX. Au lieu de partir d'un modèle Hugging Face brut puis de le convertir vous-même, vous pouvez souvent utiliser directement une variante prête à l'emploi. Parcourir les modèles disponibles et leurs variantes. *** ## Pourquoi commencer ici MLX Community vous fait gagner du temps sur trois points : * le modèle est déjà dans un format compatible MLX * les variantes quantifiées sont souvent déjà publiées * la carte du modèle vous aide à repérer rapidement l'usage visé Pour un développeur moyen, c'est le meilleur point de départ avant de parler conversion ou quantification manuelle. *** ## Comment lire le nom d'un modèle Prenons cet exemple : ```text theme={null} mlx-community/Llama-3.2-3B-Instruct-4bit ``` Vous pouvez le découper ainsi : * `mlx-community` : l'organisation Hugging Face * `Llama-3.2` : la famille de modèles * `3B` : la taille approximative * `Instruct` : la variante faite pour suivre des consignes * `4bit` : la variante quantifiée pour réduire la mémoire Quand vous débutez, privilégiez en général : * une variante `Instruct` * une taille modérée * une quantification `4bit` *** ## Les familles que vous croiserez le plus souvent Une famille généraliste très présente dans les exemples et les tests. Bon choix pour comprendre un workflow local classique. Souvent apprécié pour son bon équilibre entre qualité, taille et simplicité d'usage. Souvent intéressant si vous travaillez en multilingue ou sur des tâches de code. Une bonne famille pour des modèles compacts, donc utile pour tester vite ou fine-tuner sur une machine plus limitée. À réserver à un besoin plus précis. Commencez par un modèle généraliste si vous découvrez encore le comportement des LLMs locaux. Utiles si vous devez combiner texte et image. Vérifiez bien l'outil associé, car l'inférence passe souvent par un package dédié comme `mlx-vlm`. *** ## Comment choisir sans vous perdre ### Pour découvrir MLX Prenez un modèle compact, instruct et quantifié en `4bit`. ### Pour un assistant généraliste local Passez à un modèle plus grand si votre machine le supporte et si la qualité du petit modèle devient une vraie limite. ### Pour du fine-tuning Choisissez un modèle que vous pouvez entraîner confortablement sur votre machine avant de penser à la qualité absolue. ### Pour une app Swift Demandez-vous d'abord si Foundation Models couvre le besoin. Si oui, évitez d'embarquer un modèle custom trop tôt. *** ## Télécharger et utiliser un modèle ### Depuis la CLI ```bash theme={null} mlx_lm.generate \ --model mlx-community/Mistral-7B-Instruct-v0.3-4bit \ --prompt "Bonjour" ``` ### Depuis Python ```python theme={null} from mlx_lm import load, generate model, tokenizer = load("mlx-community/Llama-3.2-3B-Instruct-4bit") response = generate(model, tokenizer, prompt="Explique MLX simplement.", max_tokens=150) print(response) ``` ### Télécharger localement ```bash theme={null} huggingface-cli download mlx-community/Mistral-7B-Instruct-v0.3-4bit \ --local-dir ./models/mistral-7b ``` *** ## Quand convertir vous-même un modèle Ne convertissez un modèle que si : * il n'existe pas déjà dans MLX Community * vous avez besoin d'une variante précise * vous voulez publier votre propre conversion Sinon, utilisez d'abord une version existante. C'est plus rapide et plus simple à valider. *** Comprendre quand et comment convertir un modèle. Utiliser le modèle avec `mlx-lm`.