Qwen3 14B peut-il fonctionner localement ?

Oui, les poids sont ouverts et hébergés sur Hugging Face à Qwen/Qwen3-14B. Ollama, LM Studio, llama.cpp, MLX-LM et KTransformers le supportent tous.

Quel est le coût et quelle est la taille de la fenêtre de contexte ?

Via API, c’est 0,12 $ par million de tokens d’entrée et 0,24 $ par million de tokens de sortie. Le contexte natif est de 32 768 tokens, extensible à 131 072 avec la mise à l’échelle YaRN.

En quoi Qwen3 14B diffère-t-il de Qwen2.5 ?

Qwen3 14B ajoute le changement explicite entre modes réflexion et non-réflexion, que les modèles instruct de Qwen2.5 n’ont pas, et le fabricant affirme qu’il dépasse les modèles instruct Qwen2.5 précédents en mathématiques, code et raisonnement de bon sens.

Qwen3 14B

4339°

#llm #qwen #raisonnement #programmation #agents #multilingue

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Qwen | contexte de 40 960 tokens | 0,12 $/M en entrée, 0,24 $/M en sortie. Qwen3-14B est un modèle de langage causal dense de 14,8 milliards de paramètres de la série Qwen3, conçu pour le raisonnement complexe et le dialogue efficace. Il supporte la commutation fluide entre un mode « pensée » pour des tâches comme les mathématiques, la programmation et l'inférence logique, et un mode « non-pensée » pour la conversation générale. Le modèle est affiné pour le suivi d'instructions, l'utilisation d'outils agentiques, l'écriture créative et les tâches multilingues dans plus de 100 langues et dialectes. Il gère nativement des contextes de 32K tokens et peut s'étendre à 131K tokens grâce à la mise à l'échelle basée sur YaRN.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Qwen3 14B est un modèle à poids ouverts de 14,8 milliards de paramètres de Qwen qui fonctionne en deux modes explicites : un mode réflexion pour les mathématiques, le code et le raisonnement en plusieurs étapes, et un mode non-réflexion pour la conversation ordinaire. À 0,12 $ par million de tokens d'entrée via API, et entièrement exécutable localement via Ollama, LM Studio ou llama.cpp, il se situe dans un compromis pratique entre les petits modèles rapides et les grands modèles coûteux. Il convient aux développeurs et chercheurs qui souhaitent un modèle unique capable de changer de mode sans changer de checkpoint.

Connu pour

Modes réflexion et non-réflexion interchangeables dans un même modèle
Forte utilisation d’outils agents dans les modes réflexion et non-réflexion
Support de plus de 100 langues avec un suivi d’instructions multilingue solide
Poids ouverts, exécutable localement via Ollama, LM Studio, llama.cpp et autres
Contexte natif de 32K, extensible à 131K avec la mise à l’échelle YaRN

Attention à

Le contexte au-delà de 32K utilise l’extrapolation YaRN ; la qualité à l’extrémité n’est pas garantie.
Avec 14,8 milliards de paramètres, l’utilisation locale nécessite environ 12 à 16 Go de VRAM pour une inférence confortable.
Le fabricant n’a pas publié les termes complets de licence sur cette page ; vérifiez le dépôt Hugging Face avant un usage commercial.

Idéal pour

Raisonnement

Programmation

Agents et utilisation d'outils

Multilingue

Fonctionne localement

Prompts à essayer

Déboguer un bug asynchrone complexe

J’ai une fonction Python asynchrone qui soulève de manière intermittente une RuntimeError : Event loop is closed lorsqu’elle est appelée depuis une tâche en arrière-plan FastAPI. Parcours étape par étape les causes probables, puis donne-moi une version corrigée du modèle qui évite ce problème. Utilise le mode réflexion si possible.

Planifier un agent multi-étapes

Tu as accès à un outil de recherche web, un exécuteur Python et un outil d’écriture de fichiers. Un utilisateur veut recevoir par email un résumé hebdomadaire des articles de recherche en IA chaque lundi. Conçois la boucle complète de l’agent : ce que chaque étape appelle, ce qu’elle vérifie, comment elle gère les échecs, et à quoi ressemble la sortie finale.

Traduire et localiser un texte

Traduis la description produit suivante en portugais brésilien, espagnol mexicain et chinois simplifié. Après chaque traduction, ajoute une courte note sur un ajustement culturel ou idiomatique que tu as fait et pourquoi : « Notre application aide les petites équipes à livrer plus vite en réduisant de moitié le temps des réunions et en maintenant tout le monde aligné sans le bruit. »

Comparer avec

Qwen3.8 Max (0902)
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.00/M, sortie $6.00/M
Qwen3.7 Plus
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.32/M, sortie $1.28/M
Qwen3.6 Plus
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.33/M, sortie $1.95/M
Qwen3.6 Max Preview
Modèle uniquement API
Contexte de 262,144 tokens · entrée $1.03/M, sortie $6.16/M

Plus de modèles de texte de qwen

Questions fréquentes

Qwen3 14B peut-il fonctionner localement ?: Oui, les poids sont ouverts et hébergés sur Hugging Face à Qwen/Qwen3-14B. Ollama, LM Studio, llama.cpp, MLX-LM et KTransformers le supportent tous.
Quel est le coût et quelle est la taille de la fenêtre de contexte ?: Via API, c’est 0,12 $ par million de tokens d’entrée et 0,24 $ par million de tokens de sortie. Le contexte natif est de 32 768 tokens, extensible à 131 072 avec la mise à l’échelle YaRN.
En quoi Qwen3 14B diffère-t-il de Qwen2.5 ?: Qwen3 14B ajoute le changement explicite entre modes réflexion et non-réflexion, que les modèles instruct de Qwen2.5 n’ont pas, et le fabricant affirme qu’il dépasse les modèles instruct Qwen2.5 précédents en mathématiques, code et raisonnement de bon sens.

Verdict du capitaine
Un modèle ouvert à double mode véritablement intéressant à un prix qui le rend difficile à ignorer pour quiconque fait du raisonnement avec un budget limité.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Qwen3 14B est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm qwen raisonnement programmation agents multilingue local

Parcourir par famille de modèles