KDnuggets a montré comment exécuter Qwen3.5 sur un ancien ordinateur portable avec Ollama et OpenCode

Le 8 avril, KDnuggets a publié un guide pratique montrant comment transformer un vieux portable en un espace de travail AI local sans matériel coûteux ni abonnements aux services cloud. Au cœur de la configuration — Qwen3.5 dans la version 4B, Ollama pour l'exécution locale des modèles, et OpenCode en tant qu'agent pour travailler avec du code directement depuis le terminal.

Pourquoi Vous en Avez Besoin

Le point principal de l'article est que les outils AI locaux ne nécessitent plus une station de travail puissante ou un serveur séparé. L'auteur montre que même un vieux portable peut être utilisé comme un environnement privé pour les expériences, le codage et les vérifications rapides si vous utilisez un modèle ouvert compact et ne compliquez pas inutilement la pile technologique. Dans ce scénario, Qwen3.

5 4B est présenté comme un compromis raisonnable entre la qualité des réponses, la vitesse d'exécution et les exigences matérielles. En même temps, il ne s'agit pas de remplacer les modèles phares du cloud. Cette configuration sert à un objectif différent : donner aux développeurs, aux étudiants et aux passionnés un moyen économique d'exécuter l'AI localement, d'éviter d'envoyer des fichiers et des prompts à des services externes, et de tester rapidement des idées sur votre propre machine.

Pour le code brouillon, les tâches éducatives, les scripts simples de terminal et les petits tests, cela est déjà suffisant, même si la qualité des réponses n'atteint pas toujours le niveau des meilleurs systèmes commerciaux.

Comment Fonctionne la Configuration

La pile de base se compose de deux parties. Ollama gère le téléchargement, le stockage et l'exécution du modèle de langage sur un appareil local, tandis qu'OpenCode se connecte par-dessus et le transforme en une interface d'agent plus pratique pour le travail avec le code. L'article utilise la variante Qwen3.5:4B, qui, selon l'évaluation de l'auteur, nécessite généralement environ 3,5 GB de RAM. C'est exactement pourquoi cette version semble un choix réaliste pour un vieux portable sans marge sur la carte graphique et la mémoire.

• installez Ollama sur Windows, Linux ou macOS
• si nécessaire, lancez manuellement un serveur Ollama local
• téléchargez et ouvrez le modèle Qwen3.5 4B via le terminal
• installez OpenCode via un script rapide
• exécutez OpenCode avec le modèle local déjà connecté

Après cela, l'utilisateur obtient une interface locale où le modèle peut être invité à créer un projet, installer des dépendances ou examiner du code. Un avantage distinct du guide est qu'il maintient une faible barrière à l'entrée : pas d'orchestration Docker, pas de configuration manuelle d'API, pas de long assemblage de l'environnement. Par rapport à de nombreux matériels sur l'AI local, cela semble un scénario véritablement pratique qui peut être répliqué en une soirée, et non un projet d'ingénierie distinct prenant plusieurs jours.

Test sur une Tâche Réelle

Pour démontrer non seulement l'installation mais l'utilité réelle de cette approche, l'auteur a confié à la combinaison Qwen3.5 et OpenCode la création depuis zéro d'un petit projet Python — un jeu Guess the Word pour le terminal. L'agent devait générer la structure du projet lui-même, écrire le code, installer les dépendances et amener l'application à un état fonctionnel.

Sur la base des résultats du test, le système a effectivement assemblé un jeu fonctionnel avec une logique claire, un suivi des scores et une gestion correcte des caractères d'entrée — c'est-à-dire que ce n'était pas une scène de démonstration décorée, mais une exécution locale complète d'une chaîne de tâches. En même temps, l'article documente honnêtement les limitations. Le modèle quantisé compact gère bien le code de base, les scripts simples, les projets éducatifs et les requêtes de recherche, mais commence à faillir lorsque la tâche devient plus longue et nécessite une planification multi-étapes soutenue.

L'auteur note spécifiquement que le modèle s'arrêtait parfois au milieu d'un processus, et il fallait alors le pousser manuellement avec la commande suivante. Pour les expériences, c'est tolérable, mais pour un pipeline stable au quotidien, c'est déjà une limitation notable.

"Parfois, vous deviez simplement taper 'continue' pour qu'il termine la tâche."

Ce Que Cela Signifie

Le guide KDnuggets démontre un changement important : les combinaisons d'agents AI locaux deviennent moins chères, plus simples et plus utiles dans le développement quotidien. Elles ne remplacent pas encore les modèles cloud forts, mais elles offrent déjà une option fonctionnelle pour les expériences privées, l'apprentissage, les prototypes et les petites tâches d'ingénierie.