LM Studio : l’installer et faire les 3 réglages qui comptent

LM Studio est un logiciel gratuit qui télécharge des modèles d’IA ouverts et les fait tourner sur votre machine, sans terminal ni connexion. Pour vous, c’est l’outil qui répond en une minute à la question du client, « est-ce que mon ordinateur suffit ? », et qui produit un premier livrable sur ses fichiers sans qu’aucune donnée ne sorte de son bureau. Voici l’installation, le choix du modèle et les 3 réglages qui font la qualité de l’expérience, mesurés sur un Mac mini de 16 Go.

14 min · extrait d'une vidéo de 1 h 54

LM Studio, c’est quoi (et quand lui préférer Ollama)

LM Studio est un emballage autour de deux moteurs d’inférence : llama.cpp, pour les fichiers GGUF, et MLX, le moteur d’Apple pour les Mac à puce M. Il choisit le bon selon le fichier. Vous cherchez un modèle, il vous dit s’il tient dans votre machine, vous le téléchargez, vous discutez avec lui.

Ollama utilise le même moteur llama.cpp. La différence est dans l’usage :

• LM Studio sert à découvrir, tester et trouver le bon modèle, avec des boutons.
• Ollama est la prise sur laquelle on branche le reste : les agents, n8n, votre code. Il se règle par fichiers, donc on refait la même installation chez chaque client. C’est l’objet de l’article sur Ollama.

On installe les deux. On commence par LM Studio.

LM Studio est gratuit, y compris pour un usage professionnel, depuis le 8 juillet 2025 : plus de licence commerciale à demander ni de formulaire à remplir. La version du moment est la 0.4.26.

Installer LM Studio, pas LM Studio Bionic

Le piège est sur la page d’accueil de lmstudio.ai : elle met en avant LM Studio Bionic, l’agent de LM Studio, avec un compte à créer. Pour débuter, vous voulez l’application simple, et sur une petite machine un agent est beaucoup plus lent. Allez sur lmstudio.ai/download et téléchargez LM Studio.

La configuration requise :

Sur Mac, glissez l’icône dans Applications ; sur Windows, c’est un installateur classique. Vous n’avez besoin ni du terminal, ni de Docker, ni de WSL.

Choisir un modèle qui tient dans votre machine

Ouvrez l’onglet Discover (⌘ 2 sur Mac, Ctrl 2 sur Windows et Linux) et cherchez un modèle par son nom. C’est là que LM Studio devient précieux : avant même le téléchargement, il affiche un badge de compatibilité.

Le test de la vidéo, sur le Mac mini de 16 Go :

• Mistral Small 3.2, 24 milliards de paramètres : badge rouge, le modèle est probablement trop gros pour la machine. C’est lui qui avait mis près de 10 minutes à répondre « Bonjour » dans Ollama, faute de place dans la mémoire du GPU.
• Ministral 3 14B, la gamme de petits modèles de Mistral, en Q4 (compressé sur 4 bits), environ 9 Go : badge vert, « Full GPU Offload Possible ». Le modèle se chargera entièrement dans le GPU, ce qui le rend rapide.

Le vert dit que le modèle tient. Il ne dit pas s’il lira vite un long document : on le verra plus bas.

Trois choses à lire avant de cliquer sur télécharger :

1. La version. Chez Mistral, « Instruct » répond directement, « Reasoning » réfléchit avant de répondre (plus lent, meilleur pour le code et l’analyse), et « Base » est le modèle brut, pas encore entraîné à discuter : à éviter. Ces noms sont propres à Mistral ; chaque éditeur découpe sa gamme à sa façon.
2. La quantification. La documentation de LM Studio conseille une version en 4 bits ou plus si votre machine le permet. Le Q4 est le standard du local, le meilleur compromis entre qualité et poids.
3. La fiche du modèle (le README), plus que les étiquettes. LM Studio affiche des étiquettes comme « Tool Use » (il sait appeler des outils, indispensable pour un agent), « Vision » ou « Reasoning ». Sur Ministral 3 14B, aucune ne s’affichait, alors que sa fiche annonce la vision et l’appel de fonctions. Les étiquettes peuvent tromper : la fiche fait foi.

Pour la démo, la version Instruct de Ministral 3 14B, en Q4 : 8,2 Go à télécharger.

Les 3 réglages avant le premier message

Dans My Models, l’icône d’engrenage du modèle ouvre ses réglages par défaut. Trois comptent.

1. Le GPU Offload, au maximum

Dans l’onglet Load, le curseur « GPU Offload » dit quelle part du modèle va dans le GPU. Poussez-le à fond : tant que le modèle tient, tout doit être dans le GPU.

2. Le contexte

Toujours dans Load, « Context Length » est à 8 192 tokens par défaut, environ 5 500 mots, alors que Ministral 3 en accepte 262 144. Mais chaque token de contexte coûte de la mémoire : 8 192 tokens, c’est déjà 1 Go sur ce modèle, 16 000 tokens, 2 Go. Pour la démo, 16 000 est une bonne base de départ.

3. La réflexion

Elle se règle dans l’onglet Inference. Selon le modèle, c’est un bouton ou une version à part : chez Gemma ou Qwen, un interrupteur « Enable Thinking » ; chez Mistral, la version Reasoning. La réflexion améliore la qualité sur les tâches complexes, mais sur une petite machine elle ajoute des dizaines de secondes à chaque réponse. Pour traiter des documents, coupez-la. Pour du code, de l’analyse ou des agents, gardez-la. Et pour un modèle qui réfléchit, le « Reasoning Budget » plafonne le nombre de tokens de réflexion ; sans valeur, il n’y a pas de limite.

Le bonus : la température de la fiche

Mistral recommande pour Ministral 3 une température inférieure à 0,1 en production. LM Studio la règle à 0,8 par défaut. Dans Inference, je la descends à 0,05 : des réponses plus stables, ce qu’on veut pour un mémo client.

Premier livrable : un mémo sur 10 notes clients

Avant de continuer, coupez le wifi : ce qui suit ne sort pas de la machine.

Le dossier : une dizaine de notes fictives d’un cabinet de conseil, des retours en vrac, non structurés, comme ils arrivent après des appels. La demande : un mémo avec les plaintes récurrentes, les verbatims les plus forts, la cause probable, et une chose à tester cette semaine.

LM Studio annonce sa stratégie : le fichier tient dans les 16 000 tokens de contexte, il l’injecte en entier. Sous la réponse, le chronomètre : premier token au bout de 15,56 secondes, puis 6,83 tokens par seconde. D’autres essais sur la même machine donnaient 10 secondes et 9 tokens par seconde : ça dépend de ce que la machine fait à côté (ici, un partage d’écran).

Puis le réflexe le plus important : relisez. Une citation est à moitié inventée (le modèle prête à un client une phrase sur un consultant qui aurait changé en cours de route, que la note ne contient pas). Et sur cinq notes qui parlent d’un manque de visibilité sur l’avancement, il en a oublié une. Un modèle de 14 milliards de paramètres prépare le travail ; c’est vous qui validez. Rien n’a quitté le bureau, sans agent ni automatisation : c’est le point de départ.

Un document long : RAG rapide ou lecture complète

Deuxième test : la même demande sur un trimestre, avec un PDF d’une centaine de notes. Seule la longueur change.

Avec 8 192 tokens de contexte, le PDF ne tient pas. LM Studio passe en RAG : il cherche les trois passages les plus proches de la demande et n’envoie qu’eux au modèle. Premier token en 19 secondes, 7,5 tokens par seconde. Mais le mémo ne voit que 5 clients qui se plaignent de retards, quand le trimestre en compte 18. Il n’a lu que des extraits, et il ne le sait pas.

Avec 16 384 tokens, c’est une autre histoire. Éjectez le modèle, montez le contexte, rechargez, et reprenez la même demande dans un nouveau chat. Cette fois, LM Studio annonce « inject-full-content » : tout le PDF entre dans le contexte. L’écriture bouge à peine, 6,7 tokens par seconde, mais le premier token arrive au bout de 160 secondes. C’est le prefill : le modèle lit tout avant d’écrire, et sur un Mac, la lecture est le point faible. Le mémo est bien meilleur, avec un compte encore faux : 45 clients cités, quand le fichier n’en compte que 25.

La règle qui en sort, et que confirme la documentation de LM Studio (un document court est injecté en entier, un document très long passe en RAG) :

• Pour une question précise (« quel est le délai de préavis dans ce contrat ? ») : laissez faire le RAG. Il trouve le bon passage, et c’est rapide.
• Pour une synthèse de tout le document, il faut que le document entier tienne dans le contexte. Montez la longueur du contexte tant que le modèle tient dans la mémoire, ou découpez le document.
• Pour des chiffres, méfiez-vous : un modèle de langage compte mal. Demandez-lui plutôt de lister les cas, un par ligne, et comptez vous-même.

LM Studio lit les fichiers PDF, DOCX et TXT joints à un chat.

Éjecter le modèle, et démarrer le serveur local

Quand vous avez fini, éjectez le modèle ou fermez l’application : tant qu’il est chargé, il occupe la mémoire du GPU. Si LM Studio et Ollama gardent chacun un modèle chargé, ils se disputent la même mémoire. Et chez un client, pensez à nettoyer les conversations : LM Studio les garde en clair sur le disque.

LM Studio sait aussi faire serveur. Dans l’onglet Developer, l’interrupteur démarre une API sur http://localhost:1234/v1, compatible avec le format d’OpenAI et celui d’Anthropic : une application qui sait parler à OpenAI peut lui parler à la place, en changeant l’adresse. L’option « Serve on Local Network » l’ouvre aux autres appareils du réseau, et la documentation recommande alors d’activer l’authentification.

La même chose en ligne de commande, avec lms, fourni avec l’application (lancez LM Studio une fois avant) :

lms get                                   # chercher et télécharger un modèle
lms ls                                    # lister les modèles sur le disque
lms load <modèle> --gpu=max --context-length=16384  # tout dans le GPU, 16 384 tokens
lms ps                                    # voir les modèles chargés
lms unload --all                          # libérer la mémoire
lms server start                          # démarrer l’API locale

Pour brancher des agents, n8n ou votre code, je passe ensuite à Ollama : c’est la prise standard, la plupart des outils ont un réglage « Ollama » prêt à l’emploi, et il se règle par un fichier que l’on copie d’un client à l’autre. LM Studio reste l’atelier où l’on choisit le modèle. Toute la chaîne, de la mémoire GPU au dimensionnement de la machine du client, est dans la masterclass IA locale.