LM Studio est une application de bureau développée par Element Labs, avec une promesse simple : mettre un grand modèle de langage dans une seule app pour discuter hors ligne sur votre propre machine. Ouvrez-la, choisissez un modèle open source dans le navigateur de modèles intégré, téléchargez-le, cliquez pour le charger – et la conversation commence. Elle embarque aussi un serveur API local permettant à d'autres applications d'appeler des modèles locaux via une interface compatible OpenAI.
D'abord, le positionnement, énoncé avec précision pour éviter toute confusion. LM Studio lui-même est un logiciel propriétaire, fermé – pas un projet open source. L'usage personnel est gratuit, et depuis juillet 2025 l'usage commercial l'est aussi ; seules les fonctions entreprise (SSO, contrôle d'accès) sont payantes. Ce qui est « ouvert » ici est double : d'une part, la plupart des modèles qu'il exécute sont des LLM open source au format GGUF ; d'autre part, l'entreprise maintient sur GitHub, sous l'organisation lmstudio-ai, des outils complémentaires sous licence MIT, principalement le dépôt lms (outil en ligne de commande et SDK Python/TypeScript). Il a sa place dans la rubrique open source parce qu'il constitue pour beaucoup la porte d'entrée la plus simple vers l'écosystème des modèles ouverts.
Ce que fait le projet
En une phrase : un installateur en un clic, une salle de discussion et un serveur local pour les LLM locaux, le tout en un. Le moteur d'inférence sous le capot est llama.cpp, qui exécute des modèles quantifiés au format GGUF ; sur les Mac Apple Silicon, le format MLX est aussi pris en charge – à modèle égal, il consomme généralement moins de mémoire et génère plus vite. Les modèles viennent du navigateur intégré, connecté directement à Hugging Face : on cherche, on télécharge, c'est prêt, sans manipuler soi-même les fichiers de poids ni configurer d'environnement.
Pourquoi il a percé
Aucun mystère : là où des outils comme Ollama avaient abaissé la barrière jusqu'à la ligne de commande, LM Studio l'abaisse d'un cran supplémentaire – jusqu'au « savoir cliquer ». L'app est multiplateforme (Windows, macOS, Linux) ; les développeurs peuvent brancher leurs propres applications via son API locale, l'appel d'outils et MCP. Sur Apple Silicon en particulier, l'efficacité mémoire de la voie MLX lui a valu une excellente réputation.
Informations officielles du dépôt
- Plateforme : GitHub
- Organisation : lmstudio-ai
- Projet : lms (outil CLI et SDK de LM Studio, Python et TypeScript)
- Licence : les dépôts GitHub sont sous MIT ; l'application de bureau elle-même est propriétaire
- Stars : quelques milliers (le chiffre en direct sur GitHub fait foi)
À qui il convient
- Les personnes qui veulent essayer des LLM open source sans configuration ni ligne de commande
- Les utilisateurs de Mac Apple Silicon (la voie MLX économise la mémoire)
- Les développeurs qui veulent que leurs applications appellent des modèles locaux (via le serveur API local)
Coût de déploiement
Le logiciel lui-même est gratuit – les vrais coûts sont le matériel et le stockage. La recommandation est d'au moins 16 Go de RAM et 4 Go de VRAM ; un fonctionnement sur CPU seul est possible (Windows exige un CPU avec AVX2) mais ne convient qu'aux petits modèles 7B–8B et reste bien plus lent. Côté stockage : un modèle 7B–8B quantifié pèse 4 à 6 Go, et en télécharger plusieurs pour essayer remplit vite un disque. À noter aussi : macOS n'est pris en charge que sur les machines Apple Silicon – les Mac Intel ne peuvent pas installer la version actuelle.
Vrais points de friction
D'abord, la mémoire est une barrière dure. Plus le modèle est gros, plus il consomme de RAM ; à partir de 13B, ça devient inconfortable sur un portable. LM Studio occupe en outre 300 à 600 Mo de RAM au repos – sensiblement plus qu'Ollama, ce qui se ressent sur les machines modestes.
Ensuite, la quantification est un compromis entre « ça tourne » et « ça tourne bien ». Les modèles GGUF existent en niveaux comme Q8 ou Q4 : plus la quantification est agressive, plus le fichier est petit et l'inférence rapide, mais la qualité des réponses en pâtit. Au moment de choisir un modèle, le niveau de quantification compte autant que le nombre de paramètres.
Troisièmement, comment trancher face à Ollama. Ollama est vraiment open source (MIT), orienté ligne de commande et léger – le choix naturel pour les scripts, les serveurs et Docker. LM Studio est d'abord graphique et fermé. La règle : Ollama pour des déploiements automatisés et reproductibles ; LM Studio pour les collègues ou amis qui ne touchent jamais au terminal – ou quand on veut juste cliquer.
Quatrièmement, une remarque sur la vie privée. L'app est fermée et embarque des statistiques d'usage désactivables. Si vous faites tourner des modèles locaux précisément pour une confidentialité maximale, cette coquille fermée mérite d'être pesée.
Cinquièmement, n'attendez pas de miracles avec les gros nombres de paramètres. Le 7B–8B tourne sans accroc sur les portables courants ; les modèles de classe 70B ne sont pas du territoire des portables – vérifiez l'indicateur d'occupation mémoire avant de télécharger.
Ça vaut le coup ?
Avec 16 Go de RAM et une simple envie d'essayer les LLM locaux, LM Studio est aujourd'hui la porte d'entrée la moins contraignante – opérationnel en une demi-heure. Si vous avez besoin de déploiements scriptables et reproductibles, ou si votre machine est un peu juste, regardez ailleurs. Mac Intel, vieille machine à 8 Go de RAM, ou ambitions de modèle 70B – dans ces trois cas, ne vous lancez pas ; le temps économisé vaut plus cher.
