Meilleur LLM local pour le code (2026) : choix Ollama par RAM
Qwen3.6 27B est le meilleur modèle de code local pour la plupart des machines en 2026 : un téléchargement de 17GB dont la fiche modèle annonce 77.2 sur SWE-bench Verified. Voici le classement complet par palier de RAM, avec chaque commande vérifiée sur le registre Ollama, et des configurations prêtes à l’emploi pour continue.dev, aider et Zed.
| Votre mémoire | Meilleur choix pour coder | Téléchargement | Tient aussi |
|---|---|---|---|
| 8GB de RAM ou de VRAM | Qwen2.5-Coder 7B | 4.7GB | Qwen2.5-Coder 1.5B pour l’autocomplétion |
| 16GB de RAM / 16GB de VRAM | gpt-oss-20b | 14GB | Qwen2.5-Coder 7B + 1.5B pour l’autocomplétion |
| 24GB de VRAM / 24GB de RAM | Devstral Small 2 (24B) | 15GB | Qwen3.6 27B (17GB) sur un GPU 24GB |
| 32GB de RAM | Qwen3.6 27B | 17GB | Qwen3-Coder 30B (MoE), Devstral Small 2 |
| 96-128GB de RAM | Devstral 2 (123B) | 75GB | gpt-oss-120b (65GB, 96GB+) |
Le meilleur modèle de code local en 30B
Autour de 27 à 30B de paramètres, on trouve les modèles de code ouverts les plus performants qui tiennent encore sur une seule machine : 32 GB de RAM suffisent en Q4, et 48 GB permettent le Q8. Les chiffres de mémoire ci-dessous viennent directement du jeu de données ModelFit (aucune estimation), et chaque commande ollama run a été vérifiée sur le registre Ollama (HTTP 200) le 2026-11-14.
| Modèle | Taille | Quant. | RAM requise | Taille chargée | Commande |
|---|---|---|---|---|---|
| Qwen3-Coder 30B MoE | 30.5B (3B actifs) | Q4_K_M | 32 GB | 18.6 GB | ollama run qwen3-coder:30b-a3b-q4_K_M |
| Qwen3-Coder 30B MoE | 30.5B (3B actifs) | Q8_0 | 48 GB | 32.5 GB | ollama run qwen3-coder:30b-a3b-q8_0 |
| Qwen3.6 27B | 27B | Q4_K_M | 32 GB | 18 GB | ollama run qwen3.6:27b |
| Qwen3.6 27B | 27B | Q8_0 | 48 GB | 30 GB | ollama run qwen3.6:27b-q8_0 |
| Devstral Small 2 24B | 24B | Q4_K_M | 24 GB | 15.2 GB | ollama run devstral-small-2:24b |
Qwen3-Coder 30B est le bon choix si votre machine a 32 GB : son architecture MoE ne garde qu’environ 3B de paramètres actifs par token, il décode donc bien plus vite qu’un modèle dense de 27B au même palier de RAM. Qwen3.6 27B est l’alternative dense, et Devstral Small 2 24B est le seul à tenir sur une machine de 24 GB en Q4.
Machine de 32GB : lancez qwen3.6:27b (77.2 sur SWE-bench Verified d’après la fiche modèle de Qwen) ou devstral-small-2:24b (68.0% d’après la fiche de Mistral). 16GB : qwen2.5-coder:7b pour le chat + qwen2.5-coder:1.5b pour l’autocomplétion. 128GB : devstral-2:123b (72.2% sur SWE-bench Verified). Toutes les commandes ont été vérifiées sur le registre Ollama le 2026-06-12.
Quel LLM local est le meilleur pour coder ? Le classement
Votre RAM (ou VRAM) est le plafond absolu : le classement ci-dessous est donc organisé selon ce qui tient réellement. Les scores affichés sont ceux publiés dans la fiche modèle de chaque éditeur et confirmés dans la source brute ; quand aucun chiffre confirmé n’existe, nous l’indiquons au lieu d’en inventer un. Chaque commande ollama run a été vérifiée sur le registre Ollama (HTTP 200) le 2026-06-12.
| Modèle | Palier de RAM | Téléchargement | Contexte | Score sourcé |
|---|---|---|---|---|
| Qwen3.6 27B | 32GB | 17GB | 256K | 77.2 SWE-bench Verified |
| Devstral Small 2 (24B) | 24-32GB | 15GB | 384K | 68.0% SWE-bench Verified |
| Qwen3-Coder 30B (MoE) | 32GB | 19GB | 256K | n.d. |
| gpt-oss-20b | 16-24GB | 14GB | 128K | n.d. |
| Qwen2.5-Coder 7B | 8-16GB | 4.7GB | 32K | n.d. |
| Qwen2.5-Coder 1.5B | tout 8GB+ | 986MB | 32K | n.d. |
| gpt-oss-120b | 96-128GB | 65GB | 128K | 41.8% aider polyglot |
| Devstral 2 (123B) | 128GB | 75GB | 256K | 72.2% SWE-bench Verified |
Qwen3.6 27B
32GBLe modèle de code local phare de 2026 : un score de codage agentique de niveau frontière dans un téléchargement qui tient sur un Mac 32GB ou un GPU 24GB.
ollama run qwen3.6:27bDevstral Small 2 (24B)
24-32GBLe spécialiste du code agentique de Mistral. Un peu plus petit que Qwen3.6 27B, avec la plus grande fenêtre de contexte de ce palier.
ollama run devstral-small-2:24bQwen3-Coder 30B (MoE)
32GBMixture-of-experts avec seulement 3.3B de paramètres actifs : nettement plus rapide par token que les modèles denses de 27B sur le même matériel.
ollama run qwen3-coder:30bgpt-oss-20b
16-24GBLe petit MoE à poids ouverts d'OpenAI, la meilleure option de code sous le palier 32GB.
ollama run gpt-oss:20bQwen2.5-Coder 7B
8-16GBLe cheval de trait pour 16GB et moins, pour l’aide au code en mode chat. À associer à la variante 1.5B pour l’autocomplétion.
ollama run qwen2.5-coder:7bQwen2.5-Coder 1.5B
tout 8GB+Le modèle d'autocomplétion officiellement recommandé par continue.dev, assez petit pour renvoyer des complétions en ligne instantanément.
ollama run qwen2.5-coder:1.5bgpt-oss-120b
96-128GBPour les Mac Studio et les machines de classe 128GB. Il obtient 41.8% au benchmark aider polyglot, au-dessus de tout modèle ouvert de classe 32B de ce classement.
ollama run gpt-oss:120bDevstral 2 (123B)
128GBLe meilleur modèle de code à poids ouverts qui tourne sur une seule machine à grosse mémoire.
ollama run devstral-2:123b
Sources : fiche modèle Qwen3.6-27B (77.2 SWE-bench Verified, 59.3 Terminal-Bench 2.0), fiche modèle Devstral Small 2 (68.0% SWE-bench Verified ; Devstral 2 123B à 72.2%), classement aider polyglot (gpt-oss-120b 41.8%). Les chiffres SWE-bench sont déclarés par les éditeurs eux-mêmes sur leurs fiches modèles ; les scores aider sont obtenus par des exécutions indépendantes.
Soyez prévenu quand un meilleur modèle de code tient sur votre MacBook Pro M5 Pro 48 GB
Un e-mail quand un nouveau modèle de code à poids ouverts convient mieux à votre machine, plus la newsletter hebdomadaire du jeudi.
For: MacBook Pro M5 Pro 48 GB
You'll also get the weekly ModelFit email. By signing up you agree to our Privacy Policy. Unsubscribe from either email anytime, in one click.
Ce qui a changé en 2026 : le retard des modèles de code locaux a fondu
Il y a un an, la réponse standard était Qwen2.5-Coder 32B, qui ne fait que 16.4% sur le benchmark aider polyglot. La génération 2026 a tout changé : Devstral Small 2 affiche 68.0% sur SWE-bench Verified dans un téléchargement de 15GB, et Qwen3.6 27B annonce 77.2, des chiffres qui relevaient du cloud de pointe en 2025. Si votre idée du « meilleur modèle de code local » date de l’ère Qwen2.5-Coder, toutes les recommandations dont vous vous souvenez sont dépassées.
Deux réserves maintiennent les modèles cloud devant pour certains usages : les sessions agentiques très longues (les fenêtres de contexte locales se remplissent plus vite en pratique) et les plus gros modèles de code à poids ouverts (DeepSeek, Kimi K2) sont des modèles de 600B à 1T de paramètres qu’aucune machine grand public ne fait tourner. À poids ouverts ne veut pas dire exécutable en local. Pour une comparaison plus détaillée, lisez notre analyse des modèles phares locaux face au cloud.
Comment utiliser un LLM local dans VS Code ? (continue.dev)
continue.dev est l’alternative open source à Copilot la plus populaire pour VS Code et JetBrains. La configuration se trouve désormais dans ~/.continue/config.yaml (l’ancien config.json est obsolète). Une configuration locale complète : le chat sur un modèle puissant, l’autocomplétion sur un modèle rapide :
models:
- name: Qwen3.6 27B
provider: ollama
model: qwen3.6:27b
- name: Autocomplete
provider: ollama
model: qwen2.5-coder:1.5b
roles:
- autocompleteQwen2.5-Coder 1.5B est le modèle d’autocomplétion officiellement recommandé par continue.dev. Sa documentation déconseille aussi d’utiliser des modèles de réflexion ou de raisonnement pour l’autocomplétion : les complétions doivent arriver en quelques millisecondes, pas après une chaîne de raisonnement.
Comment utiliser aider avec Ollama ?
aider est le binôme de programmation IA pensé pour le terminal. Pointez-le vers votre serveur Ollama local :
export OLLAMA_API_BASE=http://127.0.0.1:11434 aider --model ollama_chat/qwen3.6:27b
Utilisez le préfixe ollama_chat/ : la documentation d’aider le recommande plutôt que le simple ollama/. Le piège à connaître : Ollama utilise par défaut une fenêtre de contexte de 2K et ignore silencieusement tout ce qui dépasse (l’avertissement d’aider lui-même). Pour coder, il en faut beaucoup plus. Augmentez-la côté serveur :
OLLAMA_CONTEXT_LENGTH=32768 ollama serve
Comment utiliser un LLM local dans Zed ?
Zed détecte automatiquement tous les modèles téléchargés par Ollama. Téléchargez un modèle, puis choisissez-le dans la liste déroulante des modèles du panneau Agent. Un réglage vaut la peine d’être modifié : Zed fixe par défaut le contexte des modèles locaux à 4096 tokens. Dans settings.json :
{
"language_models": {
"ollama": {
"api_url": "http://localhost:11434",
"available_models": [
{
"name": "qwen3.6:27b",
"display_name": "Qwen3.6 27B",
"max_tokens": 32768,
"supports_tools": true
}
]
}
}
}Questions fréquentes
Quel est le meilleur LLM local pour coder en 2026 ?
Qwen3.6 27B pour la plupart des machines : 77.2 sur SWE-bench Verified (d’après sa fiche modèle) dans un téléchargement de 17GB qui tient sur un Mac 32GB ou un GPU 24GB. Devstral Small 2 est la meilleure alternative pour le code agentique au même palier, avec une fenêtre de contexte de 384K.
De combien de RAM ai-je besoin pour faire tourner un LLM de code en local ?
Avec 16GB, vous faites tourner des modèles de classe 7B plus un modèle d’autocomplétion rapide. 32GB est le bon compromis pour les meilleurs modèles de code locaux actuels (Qwen3.6 27B, Devstral Small 2). 96 à 128GB débloquent gpt-oss-120b et Devstral 2 123B.
Quel est le meilleur modèle local pour l’autocomplétion de code ?
Qwen2.5-Coder 1.5B, la recommandation officielle de continue.dev. Moins de 1GB, assez rapide pour les suggestions en ligne. N’utilisez jamais un modèle de réflexion pour l’autocomplétion.
Un LLM local peut-il remplacer GitHub Copilot ou Claude ?
Pour l’autocomplétion et les modifications d’un seul fichier, oui, entièrement hors ligne. Pour de longues sessions agentiques sur de gros dépôts, les modèles cloud de pointe gardent l’avantage, mais les modèles locaux de 24 à 27B de 2026 ont comblé l’essentiel de l’écart.
Soyez prévenu quand un meilleur modèle tient sur votre MacBook Pro M5 Pro 48 GB
Un e-mail quand un nouveau modèle à poids ouverts convient mieux à votre machine, plus la newsletter hebdomadaire du jeudi.
For: MacBook Pro M5 Pro 48 GB
You'll also get the weekly ModelFit email. By signing up you agree to our Privacy Policy. Unsubscribe from either email anytime, in one click.