Les modèles de langage de vision locale sont passés de simple truc de fête à véritable outil au cours des douze derniers mois. Llama 3.2 Vision fonctionne sur un GPU de milieu de gamme. Qwen2.5-VL lit les captures d’écran mieux que la plupart des API cloud il y a deux ans. Gemma 3 multimodal de Google gère les graphiques et les reçus sans trop de difficultés. Ce qui a changé, ce n’est pas seulement les modèles. Les applications qui les hébergent ont aussi rattrapé leur retard. Vous pouvez déposer une capture d’écran dans une fenêtre de chat sur votre propre ordinateur portable, demander ce qu’elle dit et obtenir une réponse claire en quelques secondes, sans que l’image quitte la machine. Nous avons testé sept des meilleures applications de bureau pour exécuter des modèles de langage de vision locale sur Windows, macOS et Linux, tous gratuits pour commencer.
Ce qu’il faut rechercher
Quelques éléments distinguent les clients de vision utiles de ceux qui sont désinstallés en fin de semaine.
- Support multimodal. L’application doit charger les GGUF de vision récents (Llama 3.2 Vision, Qwen2.5-VL, LLaVA, Gemma 3 multimodal) sans compilation manuelle de llama.cpp.
- Espace de tête VRAM. Un modèle de vision 7B avec quantification 4 bits tient dans environ 6 à 8 Go. L’application devrait vous avertir avant de tenter de charger un point de contrôle qui ne tiendra pas.
- Entrée d’image glisser-déposer. Coller un chemin de fichier fonctionne, glisser une image dans le champ de message ressemble à un vrai logiciel.
- API ou GUI, idéalement les deux. Un point de terminaison compatible OpenAI local vous permet de connecter la vision aux extensions d’éditeur et aux scripts.
- Découverte de modèles. Hugging Face est le catalogue ; les applications qui le recherchent sur place économisent une étape de téléchargement manuel.
- OCR par lot et dossier. Certains flux de travail traitent une image à la fois. D’autres ont besoin de lire un dossier de scans.
Comparaison rapide
| Application | Meilleure pour | Plateformes | Plan gratuit | Prix de départ/mois | Évaluation |
|---|---|---|---|---|---|
| Ollama | CLI et API locale auxquels tout se connecte | Windows, macOS, Linux | Oui (open source) | $0 | 4.8/5 |
| LM Studio | GUI polie avec images glisser-déposer | Windows, macOS, Linux | Oui | $0 | 4.7/5 |
| Open WebUI | Frontend du navigateur pour un serveur domestique | Windows, macOS, Linux (Docker) | Oui (open source) | $0 | 4.6/5 |
| Jan | Client hors ligne entièrement open source | Windows, macOS, Linux | Oui (open source) | $0 | 4.5/5 |
| Msty | Comparaison des modèles de vision côte à côte | Windows, macOS, Linux | Oui | $0 (niveau payant disponible) | 4.5/5 |
| AnythingLLM | Vision plus RAG sur documents locaux | Windows, macOS, Linux | Oui (open source) | $0 | 4.4/5 |
| GPT4All | Client léger pour machines VRAM faible | Windows, macOS, Linux | Oui (open source) | $0 | 4.3/5 |
Les applications
1. Ollama pour la CLI et l’API locale derrière toutes les autres applications
Ollama exécute des modèles locaux derrière un point de terminaison compatible OpenAI sur localhost, et la prise en charge multimodale couvre maintenant Llama 3.2 Vision, Qwen2.5-VL, LLaVA et Gemma 3 multimodal. Extrayez un modèle avec une commande d’une ligne, canalisez un chemin d’image dans la CLI et récupérez une description dans le terminal. Chaque autre application de cette liste peut pointer vers un point de terminaison Ollama pour la couche d’inférence.
Où il manque : Pas de GUI natif pour glisser les images. Vous utilisez soit le terminal, soit un client de chat en plus.
Prix : Gratuit.
Plateformes : Windows, macOS, Linux.
Télécharger : Ollama
Conclusion : Commencez ici. Les autres clients deviennent plus utiles une fois qu’Ollama est déjà en cours d’exécution.
2. LM Studio pour une GUI polie avec entrée d’image glisser-déposer
LM Studio associe une fenêtre de chat propre avec une recherche Hugging Face intégrée qui filtre par quant GGUF et capacité de vision. Déposez une image dans le champ de message et l’application l’achemine via le fichier de projecteur du modèle, de sorte que la même conversation peut passer du texte à une capture d’écran sans aucune configuration. Le moteur MLX sur Apple Silicon exécute Qwen2.5-VL à une vitesse utilisable sur un MacBook sans GPU discret.
Où il manque : Code fermé. Cela devient plus important une fois que le flux de travail commence à toucher des images sensibles que vous aimeriez auditer de bout en bout.
Prix : Gratuit pour usage personnel et professionnel interne.
Plateformes : Windows, macOS, Linux.
Télécharger : LM Studio
Conclusion : Le moyen le plus rapide d’essayer un modèle de vision local sans toucher à un terminal.
3. Open WebUI pour un frontend navigateur qui s’apparie avec Ollama
Open WebUI est la surface de chat basée navigateur dans laquelle se retrouvent la plupart des utilisateurs d’Ollama. Le mode multi-utilisateur en fait un bon choix pour un serveur domestique auquel tout appareil du réseau peut accéder. Glissez-déposez une image sur un chat et l’application l’achemine vers n’importe quel modèle multimodal que vous avez tiré. Le changement de modèle par chat signifie que vous pouvez basculer entre une Qwen texte seul et une Llama 3.2 compatible vision au milieu d’une conversation.
Où il manque : Vous exécutez Docker ou une installation Python comme point d’entrée. Si une icône d’application native dans le dock compte, ce n’est pas celle-ci.
Prix : Gratuit.
Plateformes : Docker sur Windows, macOS et Linux ; s’exécute également bare-metal via Python.
Télécharger : Open WebUI
Conclusion : Le choix lorsque la pile LLM réside sur un serveur domestique et que chaque appareil du réseau doit pouvoir communiquer avec lui.
4. Jan pour un client hors ligne entièrement open source
Jan est le client de chat de bureau entièrement open source qui traite le hors ligne comme standard plutôt que comme option. La prise en charge de la vision couvre LLaVA et Llama 3.2 Vision, et le hub de modèles marque les points de contrôle multimodaux afin que vous ne téléchargiez pas accidentellement une version texte seul. Aucune télémétrie sauf si vous choisissez. Chaque paramètre est un basculement clair, pas un menu trois niveaux de profondeur.
Où il manque : Le catalogue de modèles est plus petit que LM Studio, et les quants rares ont parfois besoin d’une importation GGUF manuelle.
Prix : Gratuit.
Plateformes : Windows, macOS, Linux.
Télécharger : Jan
Conclusion : Le choix lorsque l’audit compte et que les clients à code fermé ne sont pas sur la table.
5. Msty pour un client de chat qui compare deux modèles de vision côte à côte
Msty exécute plusieurs modèles locaux dans une fenêtre avec vue partagée, qui est exactement le flux que vous voulez lors du choix entre Qwen2.5-VL et Llama 3.2 Vision sur la même capture d’écran. Joignez une image une fois, récupérez deux réponses, gardez celle qui a bien lu le reçu. La fonction Knowledge Stacks indexe également les documents locaux pour la RAG, de sorte que les requêtes d’image et de texte partagent un espace de travail.
Où il manque : Le niveau gratuit est généreux mais quelques fonctionnalités de qualité de vie sont derrière le plan Aurum payant.
Prix : Niveau gratuit disponible. Plan Aurum payant pour plus.
Plateformes : Windows, macOS, Linux.
Télécharger : Msty
Conclusion : Le bon choix lorsque le flux de travail est vraiment “quel modèle a mieux géré cette image”.
6. AnythingLLM pour vision plus RAG sur modèles locaux
AnythingLLM est un chatbot auto-hébergé privé qui traite chaque document et de plus en plus chaque image comme un citoyen de première classe dans un espace de travail. Pointez-le vers un point de terminaison local Ollama ou LM Studio exécutant un modèle multimodal, et il acceptera les téléchargements d’images dans un chat, les indexera aux côtés des PDF et vous permettra d’interroger le mélange. L’application de bureau est un seul programme d’installation ; la version serveur se jette dans Docker.
Où il manque : Le pipeline RAG ajoute des pièces mobiles, donc la première configuration est plus lente qu’un client de chat nu.
Prix : Application de bureau gratuite. Le niveau hébergé pour les équipes est derrière un plan payant.
Plateformes : Windows, macOS, Linux.
Télécharger : AnythingLLM
Conclusion : Le choix lorsque le flux de travail de vision est vraiment “lire cette image et répondre contre le reste de ma bibliothèque”.
7. GPT4All pour un client léger sur machines VRAM faible
GPT4All de Nomic garde l’installation petite et la barre matérielle basse. La prise en charge de la vision est limitée à une poignée de points de contrôle multimodaux plus petits, ce qui est dans les cordes pour une application ciblant les ordinateurs portables sans GPU discret. La fonction LocalDocs transforme un dossier en source RAG sans faire tourner un conteneur. Il ne concurrencera pas LM Studio en largeur de modèle, mais il fonctionnera sur du matériel que Msty ou Open WebUI étoufferaient.
Où il manque : Moins de modèles de vision supportés que le reste de la liste, et les plus grands points de contrôle multimodaux refusent simplement de se charger sur du matériel de spécification inférieure.
Prix : Gratuit.
Plateformes : Windows, macOS, Linux.
Télécharger : GPT4All
Conclusion : Le choix lorsque la machine est un modeste ordinateur portable et que le modèle doit tenir dans la RAM système.
Comment choisir le bon
Associez le client à votre façon de travailler.
- Utilisateur CLI power : installez Ollama et c’est tout. Les scripts, cron et extensions d’éditeur font le reste via le point de terminaison compatible OpenAI.
- GUI d’abord : LM Studio sur une seule machine, Open WebUI une fois que plus d’une personne ou un appareil a besoin d’accès.
- VRAM faible : GPT4All avec un petit point de contrôle multimodal, ou LM Studio sur Apple Silicon s’appuyant sur la mémoire unifiée.
- OCR privé à grande échelle : AnythingLLM pointant vers un point de terminaison Ollama, indexant un dossier de scans afin que les réponses puissent citer des pages spécifiques.
- API pour un flux de travail de codage : point de terminaison Ollama branché sur une extension VS Code qui accepte les entrées d’image.
- Comparer les modèles sur la même image : vue partagée Msty, puis gardez le gagnant comme paramètre par défaut dans le client que vous utilisez au quotidien.
FAQ
Pouvez-vous exécuter un LLM de vision sur un ordinateur portable sans GPU ?
Oui, mais lentement. Un modèle multimodal 3B ou 4B avec quantification 4 bits s’exécute sur 8 Go de RAM et un CPU moderne avec des temps de réponse tolérables pour les requêtes ponctuelles. N’importe quoi de plus grand veut un GPU discret ou Apple Silicon.
Quel modèle de vision est le meilleur pour lire les captures d’écran et les reçus ?
Qwen2.5-VL est le choix actuel pour les tâches d’image riches en texte comme les captures d’écran, les reçus et les formulaires. Llama 3.2 Vision est plus fort sur les photos naturelles et la description de scène. Les deux s’exécutent localement via Ollama ou LM Studio, vous pouvez donc garder les deux installés et basculer par tâche.
L’image quitte-t-elle jamais ma machine ?
Non si l’application est configurée correctement. Ollama, Jan, Open WebUI, GPT4All et AnythingLLM exécutent l’inférence localement par défaut et n’envoient jamais les octets d’image à un serveur distant. LM Studio et Msty sont également local-first, bien que les deux offrent des routes de modèles cloud optionnelles que vous pouvez laisser désactivées.
Combien de VRAM ai-je besoin pour un LLM de vision ?
Un modèle de vision 7B avec quantification 4 bits tient dans environ 6 à 8 Go de VRAM incluant le fichier de projecteur. Un multimodal 13B veut 10 à 12 Go. Apple Silicon utilise la mémoire unifiée, donc un Mac 16 Go gère la plupart des modèles de vision 7B sans GPU séparé.
Puis-je brancher un modèle de vision local sur une extension d’éditeur ?
Oui. Le point de terminaison compatible OpenAI d’Ollama accepte les entrées d’image dans la charge utile chat/completions standard, de sorte que toute extension d’éditeur qui parle le format OpenAI peut appeler un modèle de vision local à la place d’un hébergé. La configuration est un seul changement d’URL de base dans la configuration de l’extension.
Un LLM de vision local est-il assez bon pour remplacer une API cloud pour l’OCR ?
Pour les analyses et captures d’écran propres, oui. Qwen2.5-VL sur un GPU de milieu de gamme lit le texte imprimé avec une précision proche des API hébergées. Pour l’écriture manuscrite, les reçus estompés ou les pages fortement tournées, un moteur OCR dédié gagne toujours. Associez un LLM de vision avec une passe OCR classique pour les cas délicats.
