KDnuggets montre comment faire tourner Qwen3.5 sur un vieux portable avec Ollama et OpenCode

Le 8 avril, KDnuggets a publié une analyse pratique expliquant comment transformer un vieux portable en poste de travail d'IA local, sans matériel coûteux ni abonnement à des services cloud. La configuration repose sur Qwen3.5 en version 4B, sur Ollama pour exécuter les modèles en local et sur OpenCode, un agent qui travaille sur le code directement depuis le terminal.

Pourquoi s'y intéresser ?

L'idée centrale de l'article est que les outils d'IA locaux n'exigent plus une station de travail puissante ni un serveur dédié. L'auteur montre que même un portable d'un certain âge peut servir d'environnement privé pour des expériences, du développement et des vérifications rapides, à condition de choisir un modèle ouvert compact et de ne pas alourdir la pile de couches superflues. Dans ce scénario, Qwen3.5 4B est présenté comme un compromis raisonnable entre qualité des réponses, vitesse et exigences matérielles.

Il ne s'agit pas de remplacer les modèles phares du cloud. Cette configuration répond à un autre besoin : offrir aux développeurs, aux étudiants et aux passionnés un moyen économique d'exécuter de l'IA en local, sans envoyer fichiers ni prompts à des services externes, et de tester rapidement des idées sur leur propre machine. Pour du code de brouillon, des exercices d'apprentissage, des scénarios simples dans le terminal et de petits tests, c'est déjà suffisant, même si la qualité des réponses n'atteint pas toujours celle des meilleurs systèmes commerciaux.

Comment fonctionne la configuration

La pile de base comprend deux éléments. Ollama télécharge, stocke et exécute le modèle de langage sur l'appareil local, tandis qu'OpenCode se branche par-dessus et en fait une interface d'agent plus pratique pour travailler sur le code.

L'article utilise la variante Qwen3.5:4B, qui, selon l'estimation de l'auteur, nécessite généralement environ 3,5 Go de RAM. C'est donc un choix réaliste pour un vieux portable sans marge côté carte graphique ni mémoire.

• installer Ollama sous Windows, Linux ou macOS
• si nécessaire, lancer manuellement le serveur local d'Ollama
• télécharger et ouvrir le modèle Qwen3.5 4B depuis le terminal
• installer OpenCode avec un script rapide
• lancer OpenCode avec le modèle local déjà connecté

L'utilisateur dispose ensuite d'une interface locale où il peut demander au modèle de créer un projet, d'installer des dépendances ou de vérifier du code. Autre atout du guide : il garde un seuil d'entrée bas, sans orchestration Docker, sans configuration manuelle d'API et sans longue mise en place de l'environnement. Face à de nombreux contenus sur l'IA locale, cela ressemble à un scénario vraiment pratique, reproductible en une soirée, et non à un projet d'ingénierie de plusieurs jours.

Test sur une tâche réelle

Pour montrer non seulement l'installation mais aussi l'utilité concrète de l'approche, l'auteur a confié à l'association Qwen3.5 et OpenCode la création from scratch d'un petit projet Python : un jeu de terminal, Guess the Word. L'agent devait générer lui-même la structure du projet, écrire le code, installer les dépendances et amener l'application à un état fonctionnel.

Lors du test, le système a bien produit un jeu fonctionnel, avec une logique claire, un suivi des points et une gestion correcte des caractères saisis. Ce n'était donc pas une démo décorative, mais l'exécution locale complète d'une chaîne de tâches.

L'article signale aussi franchement les limites. Le modèle compact quantifié se débrouille bien avec du code de base, des scripts simples, des projets pédagogiques et des requêtes de recherche, mais flanche quand la tâche s'allonge et exige une planification soutenue en plusieurs étapes. L'auteur précise que le modèle s'arrêtait parfois en plein milieu du processus et qu'il fallait le relancer manuellement avec la commande suivante. C'est tolérable pour des expériences, mais cela ressemble à une limite notable pour un pipeline quotidien stable.

«

Parfois, il suffisait de taper continue pour qu'il termine la tâche. »

Ce que cela change

Le guide de KDnuggets met en évidence un changement important : les combinaisons locales d'IA à base d'agents deviennent moins chères, plus simples et plus utiles dans le développement quotidien. Elles ne remplacent pas encore les modèles cloud puissants, mais offrent déjà une option exploitable pour des expériences privées, l'apprentissage, les prototypes et les petites tâches d'ingénierie.