llama.cpp

llama.cpp est le moteur C++ autour duquel presque tous les autres outils locaux s’enveloppent. Pas de Python, pas de dépendances au-delà d’un compilateur (ou d’un binaire de release). `llama-server -hf ggml-org/gpt-oss-120b-GGUF` parle OpenAI sur le port 8080.

Télécharger Documentation officielle ↗

Le contexte se règle au lancement via -c. CPU, Metal, CUDA, ROCm. À prendre quand on veut toucher le métal — ou quand Ollama et LM Studio font trop d’app autour du modèle.

Contexte max: Set with -c at launch
Offre gratuite: Illimité et privé
Exigence: Rien — pas de compte

Point de terminaison

URL de basehttp://localhost:8080/v1

Limite de débitNone — it is your machine

Compatible OpenAI
texte

Exemples de code

npm install openai

import OpenAI from 'openai'

const client = new OpenAI({
  baseURL: 'http://localhost:8080/v1',
  apiKey: 'not-needed'
})

const response = await client.chat.completions.create({
  model: 'gpt-oss-120b',
  messages: [{ role: 'user', content: 'Explain closures in one paragraph.' }]
})

console.log(response.choices[0].message.content)

pip install openai

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="not-needed",
)

response = client.chat.completions.create(
    model="gpt-oss-120b",
    messages=[{"role": "user", "content": "Explain closures in one paragraph."}],
)

print(response.choices[0].message.content)

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-oss-120b",
    "messages": [{"role": "user", "content": "Explain closures in one paragraph."}]
  }'

Bon à savoir

Lancez d’abord le serveur : `llama-server -hf ggml-org/gpt-oss-120b-GGUF`.

Modèles que vous obtenez gratuitement2

Llama 3.3 70Bllama-3.3-70b
Qwen 3qwen3