Produit

llama.cpp passe en 1.0.0 et promet de ne plus casser son API

Le projet qui fait tourner des modèles ouverts sur un ordinateur ordinaire vient de se doter d'un numéro de version et d'une règle. Pour les applications qui s'appuient dessus, c'est peut-être la nouvelle la plus utile de l'année.

Julien MartinJulien Martin
Popularité : 1,200
Une pile de couches de bibliothèque sur un socle, avec une étiquette de version verrouillée au sommet et des flux venant d'en haut

Le projet qui fait tourner des modèles ouverts sur un ordinateur ordinaire vient de se doter d'un numéro de version et d'une règle. Pour les applications qui s'appuient dessus, c'est peut-être la nouvelle la plus utile de l'année.

llama.cpp 1.0.0, trois ans et demi pour une promesse

L'équipe ggml-org a publié l'annonce le 13 novembre 2026 sur le blog de Hugging Face. Les auteurs cités sont Daniel Bevenius, Georgi Gerganov et merve. llama.cpp et ggml passent tous deux en v1.0.0. Le projet existe depuis trois ans et demi, et une bonne partie de la pile d'IA locale repose sur ses interfaces sans le dire très fort.

Le numéro de version n'est pas un trophée.

Rien de symbolique.

Il engage l'équipe sur une règle de lecture : à partir de maintenant, un changement cassant sera annoncé comme tel, au lieu d'arriver par surprise dans une compilation qui échoue un mardi matin.

llama.cpp est un moteur d'inférence écrit en C et C++. Il charge des modèles quantifiés, c'est-à-dire compressés pour tenir dans moins de mémoire, et les fait tourner sur un ordinateur portable, un téléphone, une carte de la taille d'un Raspberry Pi ou un serveur. C'est ce qui rend possible l'usage d'un modèle de 7 milliards de paramètres sans connexion, sur du matériel que vous possédez déjà.

Ce que llama.cpp fait sur votre machine

Le moteur gère aussi des modèles multimodaux, qui acceptent du texte et des images, et s'appuie sur des backends optimisés pour chaque type de processeur et sur une implémentation C/C++ portable. Le résultat n'est pas un produit fini avec une interface, mais une bibliothèque que d'autres programmes enveloppent.

Cette position explique l'enjeu de la version. Une application de bureau, un serveur d'entreprise ou une extension mobile ne parle pas directement au modèle. Elle appelle libllama, et c'est cette couche qui doit rester prévisible.

ggml et libllama suivent désormais la même règle

ggml est la bibliothèque de tenseurs qui se trouve sous llama.cpp. Ce n'est pas un modèle, même si les deux noms apparaissent souvent dans la même phrase. Le blog précise que libllama et libggml disposent désormais d'en-têtes publics, rangés dans llama.cpp/include et ggml/include.

La règle de version est la même pour les deux. Une version MAJEURE signale une rupture de l'API C publique dans ./include. Une version MINEURE ajoute des fonctions rétrocompatibles, des backends, la prise en charge de nouveaux modèles ou de nouvelles méthodes. Une version CORRECTIVE apporte des corrections sans toucher à l'API.

Voilà pourquoi un développeur doit s'y intéresser. Les applications dérivées et les liaisons vers d'autres langages s'accrochent à ces en-têtes. Sans règle explicite, une modification interne pouvait casser une compilation sans prévenir personne, alors qu'avec la règle, la rupture devient un événement daté, documenté et, en principe, rare.

GGUF ne bouge pas, et c'est une bonne nouvelle

GGUF est le format de fichier que llama.cpp charge. Il n'a pas changé avec cette version, et le projet ne revendique aucune paternité sur son invention. Le format reste ce qu'il était : un conteneur qui rassemble les poids d'un modèle, ses métadonnées et les informations nécessaires à son exécution.

Cette stabilité compte pour les utilisateurs français qui téléchargent des versions quantifiées de modèles comme Mistral sur Hugging Face, car un fichier GGUF récupéré le mois dernier doit continuer à fonctionner après la mise à jour du moteur. Si le format bougeait à chaque version, chaque nouveau binaire obligerait à retélécharger des dizaines de gigaoctets.

Docker, Debian, Homebrew : les paquets officiels de llama.cpp

La distribution est l'autre moitié de la promesse. L'annonce cite des artefacts de prépublication pour Linux, macOS, Windows, Android et iOS. S'y ajoutent Docker, Debian, Homebrew, conda-forge, MacPorts, Winget et un XCFramework pour les projets Apple.

Pour une équipe, cela change le coût d'adoption. Installer llama.cpp sur un parc de machines ne suppose plus de compiler à la main, ni de maintenir un fork interne. Le paquet Homebrew sur un Mac de développeur, l'image Docker sur un serveur et le paquet Debian sur une machine de test sortent du même projet.

ggml-org teste six familles de matériel pour tenir la promesse

Une API stable que personne ne teste finit par mentir. L'équipe a donc fait évoluer son intégration continue. La capacité de calcul est fournie par Hugging Face Buckets et HF Jobs, et des runners auto-hébergés couvrent du matériel signé NVIDIA, AMD, Qualcomm, Arm, IBM et Intel.

Ce détail paraît technique. Il est en réalité décisif. On ne peut pas promettre que rien ne cassera si les backends ne sont jamais exécutés avant publication. Un bug spécifique à une puce Arm, invisible sur une machine x86, produirait exactement le type de régression que la version 1.0.0 est censée empêcher.

Les nightly builds de llama.cpp continuent, b12445 est arrivé

Un projet figé cesserait-il d'avancer ? La crainte est légitime, mais ce n'est pas le cas. Le build b12445 a été publié sur GitHub le 16 novembre 2026, trois jours après l'annonce. Les versions de nuit continuent donc, et c'est plutôt rassurant.

Une promesse de stabilité qui gèlerait le développement n'aurait aucune valeur. Ce que l'équipe vend, c'est un cadre : les changements rapides restent possibles, mais leur effet sur l'API publique est désormais classé. Les utilisateurs peuvent choisir la version qui leur convient au lieu de subir la dernière.

La « local inference » reste le vrai enjeu

Faire tourner un modèle chez soi, ce que l'anglais appelle la « local inference », n'est pas un caprice de bidouilleurs. Pour un développeur français qui teste une idée dans un train, pour une PME qui ne veut pas envoyer ses documents à un fournisseur américain, ou pour une administration qui doit fonctionner sans réseau, la possibilité de tout garder sur la machine change la nature du projet.

Les offres de GPU à l'heure chez OVHcloud ou Scaleway restent utiles pour entraîner et pour servir plusieurs utilisateurs, mais elles ne remplacent pas un binaire qui démarre en deux secondes sur un portable, sans facture à la minute. C'est là que llama.cpp garde son intérêt, et pourquoi sa stabilité intéresse des gens qui ne lisent jamais de notes de version.

Le premier changement MAJEUR sera le vrai test. Tant qu'il n'arrive pas, la règle reste une intention. Le jour où une version 2.0 cassera quelque chose, la manière dont l'équipe l'annoncera, documentera et corrigera dira si le numéro veut dire quelque chose.

Partager cet article

Sources

Actualités liées à l’IA

Une barre de recherche avec un panneau latéral d'assistant qui glisse depuis la gauche et des pastilles de raccourcis en dessous
Produit

Google installe votre historique de chat sur la page d'accueil de Search

La page d'accueil de Google garde son logo et sa barre centrée. Sous la barre, des raccourcis Gemini prennent la place du bouton Search ; à gauche, un panneau reprend vos recherches AI Mode et vos fils de discussion. Le moteur cesse d'être la seule porte d'entrée.

Popularité : 1,790
Une fenêtre d'application schématisée au premier plan, une seconde fenêtre qui travaille derrière, et un tracé de curseur entre les deux
Produit

Gemini peut désormais piloter votre Mac, dans une fenêtre que vous n'avez pas à regarder

Google a ajouté computer use à l'application Gemini for Mac le 19 novembre. Vous tapez @Computer use dans une conversation, et l'assistant travaille dans une seconde fenêtre pendant que vous gardez la vôtre. Le détail qui compte : tout le monde n'y a pas droit, et rien n'est annoncé pour l'Europe.

Popularité : 1,740
Des bulles de conversation scellées dans une porte de coffre, avec un cadran de conservation et deux minuteurs de 72 heures effacés
Produit

Gemini sépare l'historique et l'entraînement, mais garde plus longtemps

Un seul interrupteur décidait jusqu'ici si Gemini gardait vos conversations et si Google pouvait s'en servir pour entraîner ses modèles. Il y en a désormais deux, et la durée de conservation change aussi, dans l'autre sens.

Popularité : 1,500
Un panneau d'application bleu avec un arobase, un cercle et un petit graphique à barres à côté des mots Gemini lit Wallet
Produit

Gemini lit vos dépenses Google Wallet, et ne peut toujours pas bouger un centime

Depuis le 13 novembre, une mention suffit dans une conversation Gemini pour obtenir un graphique de vos dépenses. Connecter Google Wallet prend quelques écrans, et l'opération ne donne aucun pouvoir de paiement à l'assistant. Voici comment ça marche, et ce que Google voit au passage.

Popularité : 1,400