I Ran Qwen 4 EXP Locally For 24 Hours... Local AI is the Frontier 🤯

I Ran Qwen 4 EXP Locally For 24 Hours... Local AI is the Frontier 🤯

J'ai fait tourner Qwen 4 EXP en local pendant 24 heures... L'IA locale est la nouvelle frontière 🤯

par xCreate · Voir la chaîne sur PSI

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQFIntelligence artificielle générative
🎙 xCreate 👥 26K 📅 27 août 2026 ⏱ 22 min 👁 36K 📄 revue d'actualité 🧭 2026-09-10
Disponible en : Français (actuel) English

Mots-clés

Qwen 4 EXPQwen 3.8-FlashLocal AIOllamaLM Studio

Résumé

Dans cette vidéo, le créateur xCreate teste en conditions réelles le nouveau modèle Qwen 4 EXP (version Flash-Next) de chez Alibaba, en le faisant fonctionner localement sur des machines Apple (M3 Ultra et M5 Max). Il montre d’abord les benchmarks du modèle, qui surpassent clairement Qwen 3.8 27B et se rapprochent de modèles bien plus gros. Il détaille ensuite l’architecture inspirée de DeepSeek, avec des améliorations comme des embeddings engrammes et une fusion de données. La majeure partie de la vidéo est consacrée à des tests concrets : génération voxel d’une image, création d’un système solaire 3JS, génération procédurale d’un visage avec contrôles en temps réel (morphing, éclairage, profondeur de champ), et même une sorte de jeu type GTA 5. Le modèle fonctionne en mode quantifié Q9 et Q4, avec des vitesses de génération variables (environ 20 à 43 tokens/s selon la machine). L’auteur mentionne des bugs dans le code d’inférence qu’il a corrigés, et compare le rendu avec Kimi K3. Il effectue aussi des tests de logique et de sécurité : refus de suggérer des actions violentes, réponse correcte à un problème d’olympiade de maths. Il conclut que ce modèle de 125B paramètres (6B actifs) atteint des capacités proches des modèles frontaliers, et souligne l’écosystème open source en pleine effervescence. Il annonce la suite avec GLM 5.3 et d’autres améliorations.

221 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur principale réside dans la démonstration pratique, par l’exemple, des capacités réelles du modèle localement. Les tests sont nombreux et variés (génération 3D, code, visages procéduraux, jeux) et montrent concrètement ce que le modèle sait faire, avec ses forces (beaucoup de générations réussies, contrôle interactif) et ses limitations (bugs, erreurs de contexte, code parfois mal structuré). L’argumentation s’appuie sur des séquences vidéo et des captures d’écran, ce qui renforce la crédibilité des résultats. L’auteur compare également avec d’autres modèles comme Kimi K3, mais sans protocole standardisé ; les comparaisons restent subjectives. Il explique aussi ses optimisations du code d’inférence, ce qui apporte un éclairage technique utile.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est limitée : il s’agit d’un test personnel sans méthodologie formalisée, avec un échantillon réduit de prompts et de générations. Les sources citées dans la description (Hugging Face, Inferencer) sont réelles et vérifiables, mais l’auteur ne fournit pas de données brutes exhaustives ni de scripts complets. Le titre est fidèle au contenu, mais il utilise un ton exagéré typique du style YouTube. L’adéquation titre/contenu est bonne, la note n’étant pas pénalisée par le style. Les commentaires (30) sont majoritairement positifs, saluant la performance du modèle et la qualité des démonstrations, quelques questions techniques sur les quantisations et la compatibilité matérielle.

225 mots

Adéquation titre / contenu

Le titre correspond exactement au contenu : l'auteur a bien exécuté Qwen 4 EXP localement pendant 24h et présente ses résultats.

Qualité & fiabilité

6/10

Test pratique détaillé d'un modèle récent, basé sur des démonstrations concrètes mais sans protocole scientifique rigoureux ni réplication indépendante.

Chapitres

Sources citées

Sources concordantes

  • Qwen sur Hugging Face — Page Hugging Face des modèles Qwen officiels, concordant sur les benchmarks fournis dans la vidéo.

Sources discordantes

  • Commentaires signalant des problèmes de compatibilité — Certains utilisateurs mentionnent des difficultés à faire fonctionner le modèle sur des configurations spécifiques (Strix Halo, Windows).

Références externes

Apport & nouveautés

Cette vidéo apporte une évaluation pratique et visuelle des capacités d’un modèle de langage récent (Qwen 4 EXP) exécuté localement, avec de nombreux exemples concrets de génération 3D et de code. L’auteur partage ses astuces d’optimisation (amélioration de l’inférence, correction de bugs) et compare avec d’autres modèles open source. L’intérêt principal est de démontrer qu’un modèle de 125B avec 6B actifs peut atteindre des performances proches de modèles beaucoup plus grands sur des tâches complexes, ce qui est encourageant pour l’IA locale.

Pour aller plus loin :

  • Qwen (modèle de langage) — Article Wikipédia sur la famille Qwen, contexte général.
  • DeepSeek — Architecture de référence dont s’inspire Qwen 4 EXP, avec les mécanismes d’attention et de sparsité.
  • Modèle de langage (LLM) — Page Wikipédia sur les grands modèles de langage, pour une base théorique.
  • Quantification (informatique) — Concept de réduction de précision utilisé pour les quantisations Q4/Q9.

147 mots

Profil radar

Le profil radar montre une excellente quantité d'informations et un niveau technique élevé, mais une qualité de fiabilité moyenne, typique d'un test informel. La valeur globale est positive grâce à des démonstrations concrètes.

Fiabilité 6/10

💬 Très positif - Sur les 30 commentaires analysés, la grande majorité exprime de l'enthousiasme pour les capacités du modèle, certains s'interrogeant sur des détails techniques, avec une atmosphère générale de ferveur pour l'IA locale.