Llama 4 Scout Ollama : réglages, correctifs quand ça ne marche pas, application Windows et alternatives
Faire tourner Llama 4 Scout dans Ollama sur un PC Windows implique un téléchargement d’environ 60 Go ou plus, un réglage de contexte qui détermine si le modèle tient en mémoire, et quelques erreurs qui reviennent souvent. Voici les réglages, les correctifs et les alternatives lorsque votre matériel ne suit pas.
Vous tapez ollama run llama4:scout, vous patientez pendant un téléchargement de la taille d’une petite bibliothèque de jeux, puis vous obtenez un affichage laborieux d’un mot toutes les quelques secondes, une erreur de mémoire ou un modèle qui oublie ce que vous avez dit deux messages plus tôt. C’est l’expérience normale lors de la première utilisation de ce modèle, et presque rien de tout cela ne signifie que quelque chose est cassé. Llama 4 Scout est un modèle à mélange d’experts de 109 milliards de paramètres, et Ollama doit le faire tenir dans le GPU et la RAM que vous possédez.
Cet article passe en revue les réglages qui comptent, les correctifs pour les pannes courantes, la place de l’application Windows d’Ollama et ce qu’il faut utiliser lorsque votre machine ne peut tout simplement pas faire tourner le modèle.
💡 En bref : Scout a besoin de beaucoup plus de mémoire que ne le laisse penser son étiquette « 17B actifs ». Définissez une longueur de contexte réaliste, vérifiez que le modèle est bien chargé sur votre GPU avec ollama ps, et si les chiffres ne fonctionnent pas, utilisez une version hébergée plutôt que de lutter contre votre matériel.
Ce qu’est vraiment Llama 4 Scout
Meta a publié Scout comme le petit frère de Maverick dans la famille Llama 4. Les chiffres cités sont exacts, mais faciles à mal interpréter :
Caractéristique
Llama 4 Scout
Paramètres totaux
Environ 109 milliards
Paramètres actifs par token
17 milliards
Experts
16
Fenêtre de contexte annoncée
Jusqu’à 10 millions de tokens
Étiquette Ollama par défaut
llama4:scout (quantification Q4_K_M)
Taille typique du téléchargement
Environ 60 à 67 Go selon la source
Le piège, c’est le chiffre « 17B actifs ». Dans un modèle à mélange d’experts, seule une partie du réseau fonctionne pour chaque token, ce qui rend la génération rapide une fois que tout est chargé. Mais les 109 milliards de paramètres doivent tous résider quelque part en mémoire. La vitesse d’un modèle de 17B s’accompagne donc de la facture de stockage d’un modèle de 109B.
Le contexte de 10 millions de tokens est une capacité de l’architecture, et non quelque chose qu’un PC domestique peut exploiter. La mémoire utilisée par le cache KV augmente avec chaque token de contexte, si bien qu’une fenêtre énorme peut épuiser la VRAM même lorsque les poids tiennent.
Qui devrait le faire tourner en local
Scout en local a du sens si vous disposez d’un GPU de station de travail ou d’une machine avec beaucoup de mémoire unifiée ou système, si vos prompts doivent rester sur votre propre disque, ou si vous voulez expérimenter des flux de travail hors ligne. Si vous avez une seule carte graphique de jeu de 8 Go ou 12 Go, attendez-vous à un déport partiel vers le CPU et à une sortie lente.
Bilan matériel
Des guides tiers situent le minimum pratique pour le modèle quantifié à environ 24 Go de VRAM, la version Q4_K_M complète demandant plutôt près de 70 Go de mémoire combinée pour fonctionner confortablement. Considérez ces valeurs comme des objectifs approximatifs, pas comme des garanties.
Votre configuration
À quoi s’attendre
GPU de 8 à 12 Go, 32 Go de RAM
La plupart des couches sur le CPU, très lent, peut ne pas se charger
GPU de 24 Go, 64 Go de RAM
Fonctionne avec un déport partiel, utilisable pour des conversations courtes
48 Go de mémoire GPU ou plus
Surtout ou entièrement sur le GPU, bonne vitesse
Machine à mémoire unifiée de 64 Go ou plus
Fonctionne bien, la vitesse dépend de la bande passante mémoire
Il vous faut aussi de l’espace disque. Ollama stocke les fichiers du modèle dans votre profil utilisateur par défaut, et un téléchargement de plus de 60 Go sur un disque système presque plein est une cause classique d’échec du téléchargement.
💡 Test rapide : libérez environ 80 Go sur le disque qui contient votre dossier de modèles Ollama avant de commencer. Cela couvre le modèle et les données temporaires de téléchargement.
Installer et lancer sous Windows
Ollama fonctionne nativement sous Windows 10 et 11. Vous téléchargez le programme d’installation depuis le site d’Ollama, vous le lancez, et l’application démarre dans la zone de notification. Aucune configuration de WSL n’est nécessaire.
Télécharger et lancer le modèle
Ouvrez PowerShell ou Windows Terminal et exécutez :
ollama pull llama4:scout
ollama run llama4:scout
La première commande télécharge les poids. La seconde ouvre une discussion interactive. Si vous voulez seulement vérifier que l’installation fonctionne avant de lancer le gros téléchargement, récupérez d’abord un petit modèle, puis revenez à Scout.
Vérifier où se trouve le modèle
Dès que le modèle répond, exécutez :
ollama ps
Regardez la colonne PROCESSOR. « 100% GPU » est ce que vous voulez. Une répartition telle que « 40%/60% CPU/GPU » signifie qu’une partie du modèle tourne sur le processeur, ce qui explique la lenteur de la sortie. Cette seule commande permet de diagnostiquer plus de problèmes que n’importe quelle autre.
Les réglages qui comptent
Longueur de contexte
C’est le réglage que la plupart des gens règlent mal. Ollama choisit une taille de contexte par défaut selon votre VRAM : en dessous de 24 Gio de VRAM, il utilise environ 4k tokens par défaut, et entre 24 et 48 Gio, il passe à environ 32k. Une fenêtre de 4k signifie que les longs documents sont tronqués et que le modèle semble « oublier » les messages précédents.
Vous disposez de trois moyens pour l’augmenter :
Curseur de l’application Ollama. Ouvrez les réglages de l’application et déplacez le curseur de longueur de contexte.
Variable d’environnement. Définissez OLLAMA_CONTEXT_LENGTH sur une valeur telle que 16384 avant le démarrage du serveur.
Par session. Dans ollama run, tapez /set parameter num_ctx 16384.
Chaque augmentation coûte de la mémoire. Doubler la fenêtre double à peu près le cache KV, augmentez-la donc par paliers et surveillez ollama ps après chaque modification.
Définir les variables d’environnement sous Windows
Quittez Ollama depuis la zone de notification.
Ouvrez Paramètres, recherchez « variables d’environnement » et ouvrez l’éditeur pour votre compte.
Ajoutez une nouvelle variable utilisateur, par exemple OLLAMA_CONTEXT_LENGTH avec la valeur 16384.
Cliquez sur OK, puis relancez Ollama depuis le menu Démarrer.
Si vous définissez la variable et que rien ne change, la raison habituelle est qu’Ollama tournait toujours dans la zone de notification et n’a jamais relu l’environnement.
Réglages utiles à connaître
Réglage
Ce qu’il fait
Quand le modifier
OLLAMA_CONTEXT_LENGTH
Contexte par défaut pour tous les modèles
Longs documents, longues conversations
OLLAMA_KEEP_ALIVE
Durée de maintien du modèle en mémoire
À augmenter pour éviter les rechargements lents d’un modèle énorme
OLLAMA_MODELS
Dossier où sont stockés les modèles
Déplacer les fichiers de plus de 60 Go vers un disque plus grand
OLLAMA_FLASH_ATTENTION
Attention moins gourmande en mémoire
À essayer lorsque le contexte vous fait dépasser la limite de VRAM
OLLAMA_KV_CACHE_TYPE
Compresse le cache KV (par exemple q8_0)
Faire tenir plus de contexte dans la même mémoire
temperature (Modelfile)
Caractère aléatoire de la sortie
À baisser pour les faits et le code, à monter pour l’écriture
Un Modelfile personnalisé vous permet d’enregistrer vos choix :
FROM llama4:scout
PARAMETER num_ctx 16384
PARAMETER temperature 0.4
Exécutez ensuite ollama create scout-16k -f Modelfile et lancez-le avec ollama run scout-16k.
Ça ne fonctionne pas ? Correctifs par symptôme
Le téléchargement échoue ou s’arrête
Vérifiez l’espace disque libre sur le lecteur des modèles. Un téléchargement de plus de 60 Go échoue silencieusement lorsque le disque se remplit.
Relancez ollama pull llama4:scout. Les téléchargements reprennent au lieu de recommencer.
Sur un réseau d’entreprise ou scolaire, un proxy ou un filtre peut interrompre les gros téléchargements. Essayez une autre connexion.
Vérifiez que votre version d’Ollama est à jour. Les nouvelles architectures de modèles exigent un runtime plus récent, et une ancienne installation peut ne pas reconnaître l’étiquette.
« Le modèle nécessite plus de mémoire système »
Ollama vous indique ainsi que les poids et le contexte ne tiennent pas. Vos options, de la plus simple à la plus difficile :
Réduisez num_ctx à 4096 et réessayez.
Fermez le navigateur et les autres applications qui occupent la RAM et la VRAM.
Augmentez le fichier d’échange de Windows pour que le débordement ait de la place, en sachant que ce sera lent.
Ajoutez de la RAM, ou passez à un modèle plus petit.
Il fonctionne mais il est terriblement lent
Exécutez ollama ps. Si le modèle est réparti entre le CPU et le GPU, c’est la réponse. La vitesse chute fortement dès que des couches débordent dans la RAM système, car le chemin par le CPU a une bande passante bien inférieure à celle de la VRAM. Réduisez la longueur de contexte, activez flash attention, ou acceptez que ce matériel soit mieux servi par un modèle plus petit.
Il oublie la conversation
C’est à nouveau la fenêtre par défaut de 4k. Augmentez num_ctx comme décrit plus haut et testez avec un long prompt. Si un long document est tronqué sans prévenir, la fenêtre est encore trop petite pour lui.
Il utilise le CPU au lieu du GPU
Mettez à jour le pilote de votre carte graphique. Les anciens pilotes sont une cause fréquente.
Assurez-vous qu’aucun autre programme n’accapare la mémoire du GPU. Les jeux, les logiciels de montage vidéo et les onglets du navigateur avec accélération matérielle en prennent tous leur part.
Redémarrez Ollama depuis la zone de notification pour qu’il détecte à nouveau la carte.
Si vous avez à la fois un GPU intégré et un GPU dédié, vérifiez que Windows n’envoie pas le processus vers le plus faible.
L’application s’ouvre mais ne répond à rien
Quittez Ollama dans la zone de notification, assurez-vous qu’aucun processus ollama égaré ne subsiste dans le Gestionnaire des tâches, puis relancez-le. Si un autre programme utilise déjà le port par défaut, changez-le avec OLLAMA_HOST, par exemple 127.0.0.1:11500.
💡 Règle empirique : quand quelque chose se comporte mal, modifiez un seul réglage à la fois et vérifiez ollama ps après chaque changement. Modifier trois choses à la fois masque la cause.
L’application Windows face au terminal
L’application Windows d’Ollama vous offre une fenêtre de discussion simple, un sélecteur de modèles et un panneau de réglages avec le curseur de contexte, ainsi que le serveur en arrière-plan auquel les autres outils se connectent. C’est la façon la plus conviviale d’utiliser Scout si vous n’aimez pas les lignes de commande.
Fonctionnalité
Application Windows
Terminal
Interface de discussion
Oui
Texte simple
Curseur de contexte
Oui
Utiliser num_ctx ou la variable d’environnement
Modelfiles personnalisés
Non
Oui
Scripts et automatisation
Limités
Complets
Diagnostic (ollama ps, journaux)
Limité
Complet
La plupart des gens finissent par utiliser les deux : l’application pour la discussion occasionnelle, le terminal pour le dépannage. Quel que soit votre choix, le serveur en arrière-plan expose aussi une API locale, de sorte que les éditeurs de code et les interfaces de discussion tierces peuvent s’y connecter.
💡 Astuce : si vous définissez une variable d’environnement et que le curseur de l’application affiche une autre valeur, c’est le curseur qui l’emporte pour les discussions lancées dans l’application. Choisissez un seul endroit pour gérer le contexte et tenez-vous-en à lui.
Quand le local est le mauvais choix
Soyez honnête sur le compromis. Un grand modèle local vous offre la confidentialité et aucun coût par message, mais vous payez en espace disque, en électricité, en temps de configuration et en patience. Si l’une de ces situations vous correspond, renoncez à la voie locale :
Vous disposez de moins de 24 Go de VRAM et de moins de 64 Go de RAM.
Vous voulez des réponses rapides pour l’écriture, les résumés ou le code, et non un projet de week-end.
Vous changez souvent d’appareil, y compris un ordinateur portable incapable de contenir le modèle.
Vous ne voulez pas maintenir des pilotes, des runtimes et un dossier de modèle de 60 Go.
Le modèle reste de la même famille dans les deux cas. L’héberger ailleurs change seulement l’endroit où résident les 109 milliards de paramètres.
Le calcul de mémoire en un coup d’œil
Une planification approximative fonctionne ainsi : les poids (environ 60 à 67 Go pour la quantification par défaut) plus le cache KV (qui grandit avec le contexte) plus le surcoût du runtime et du système d’exploitation. Si ce total dépasse votre VRAM, le surplus part dans la RAM système, et chaque palier descendu dans cette échelle coûte en vitesse. Si le total dépasse la VRAM plus la RAM, le modèle ne se chargera pas du tout.
Comment utiliser Llama 4 Scout Instruct sur PicassoIA
Si vous voulez Scout sans téléchargement, Llama 4 Scout Instruct est disponible sur PicassoIA et fonctionne dans le navigateur. Il n’y a ni installateur, ni vérification de pilote, ni réglage de contexte à ajuster selon votre VRAM.
Écrivez votre prompt dans la zone de saisie. Soyez précis sur le format, la longueur et le public visé.
Ajustez les réglages de génération affichés sur la page. Une température basse (environ 0,2 à 0,5) convient aux faits, au code et aux résumés, tandis qu’une température plus élevée (0,7 à 1,0) convient au brainstorming et à l’écriture créative.
Définissez une longueur maximale raisonnable pour la réponse, afin de ne pas attendre un texte que vous n’utiliserez pas.
Lancez le prompt, lisez le résultat et affinez. De courtes instructions de suivi comme « plus court » ou « sous forme de tableau » fonctionnent bien.
Conseils pour les prompts
Donnez au modèle un rôle et un objectif : « Agissez comme un éditeur technique. Réécrivez ce paragraphe pour un débutant. »
Collez directement le texte source, puis demandez le format de sortie souhaité.
Pour les tâches longues, découpez le travail en étapes : plan d’abord, brouillon ensuite, relecture en dernier.
💡 Usage pratique : lancez le même prompt sur un Scout hébergé et sur votre installation Ollama locale. Si les réponses sont de qualité équivalente, vous savez que vos réglages locaux sont bons.
Alternatives qui valent le détour
Si Scout est trop lourd ou ne convient pas, ces modèles disponibles sur PicassoIA couvrent la plupart des mêmes usages :
En local, les petits modèles dans Ollama constituent la voie réaliste sur un matériel modeste. Tout ce qui se situe dans la gamme 7B à 14B se charge rapidement sur un GPU de milieu de gamme, gère les conversations courantes et évite tous les problèmes de mémoire décrits plus haut. Le compromis est une qualité moindre sur les tâches longues et complexes.
Lequel choisir
La confidentialité compte avant tout : faites tourner un petit modèle en local dans Ollama.
La qualité compte avant tout et votre matériel est modeste : utilisez un modèle hébergé.
Vous avez besoin de raisonnement : essayez Deepseek R1.
Vous travaillez avec images et texte ensemble : essayez Qwen3.7-Plus.
Liste de contrôle des correctifs rapides
Avant d’abandonner une installation locale de Scout, parcourez cette liste :
Libérez au moins 80 Go d’espace disque.
Mettez à jour Ollama et votre pilote de carte graphique.
Quittez Ollama depuis la zone de notification, puis relancez-le.
Exécutez ollama ps et lisez la colonne PROCESSOR.
Réduisez num_ctx à 4096, puis augmentez-le par paliers.
Fermez les applications qui utilisent la VRAM.
Essayez OLLAMA_FLASH_ATTENTION et un cache KV compressé.
Comparez avec un modèle plus petit pour confirmer que l’installation elle-même est saine.
Essayez sans configuration
Si vous préférez consacrer votre temps à rédiger, coder et tester des idées plutôt qu’à régler des longueurs de contexte, ouvrez Llama 4 Scout Instruct sur PicassoIA et lancez votre premier prompt en une minute. Comparez-le avec Deepseek V3.1 et Llama 4 Maverick Instruct sur la même tâche, et gardez celui qui vous donne les meilleures réponses. Lorsque vous voulez aller au-delà du texte, PicassoIA propose aussi des modèles de génération d’images, de vidéos, de voix et de musique, et vous pouvez tous les parcourir sur picassoia.com/en/all-models.