Serveur llama.cpp pour un modèle GGUF
# Serveur llama.cpp pour un modèle GGUF code: 1x3fpqv | type: inference | language: fr | licence: MIT | version: v2 description: Lancer n'importe quel modèle GGUF avec le serveur de llama.cpp : API compatible OpenAI sur le port 8080, fonctionne aussi sans carte graphique. page: https://contextetech.com/inference/llama-cpp-serveur-gguf-1x3fpqv mcp: connect https://contextetech.com/mcp then call load_resource with code "1x3fpqv" (or ask "load 1x3fpqv") json: https://contextetech.com/api/resources/contextetech--llama-cpp-serveur-gguf python: pip install contexte && contexte get 1x3fpqv source: https://github.com/ggml-org/llama.cpp citation (required by the licence): contextetech. (2026). Serveur llama.cpp pour un modèle GGUF (Version 2) [Config d'inférence]. Contexte Tech. https://contextetech.com/inference/llama-cpp-serveur-gguf-1x3fpqv. Source des données : https://github.com/ggml-org/llama.cpp
Lancer n'importe quel modèle GGUF avec le serveur de llama.cpp : API compatible OpenAI sur le port 8080, fonctionne aussi sans carte graphique.
| Modèle | modele.gguf |
|---|---|
| Matériel testé | Processeur seul ou carte graphique (option -ngl pour y charger des couches) ; 8 Go de mémoire pour un modèle 7B en Q4_K_M |
Commande de lancement
llama-server -m modele.gguf -c 8192 --host 127.0.0.1 --port 8080
- Identifiant
- contextetech--llama-cpp-serveur-gguf
- Fichier
- llama-cpp-serveur-gguf.inference.json
- Format
- JSON (application/json)
- Taille
- 506 octets
- Encodage
- UTF-8
- Tokens estimés
- ≈ 140
- Usage commercial
- Autorisé
- Données personnelles
- Aucune
- Version
- 1.0
- Publié le
- 1 octobre 2026 à 18:55
- Mis à jour le
- 16 octobre 2026 à 23:20
- Stockage
- en base
Statistiques
J'aime : 0 · Commentaires : 0
Cliquez sur un compteur pour l’afficher ou le masquer, survolez le graphique pour le détail. Une vue par visiteur et par jour, robots exclus ; décompte commencé le 30 septembre 2026.
Coût estimé
- Tokens d'entrée par appel
- ≈ 151
| Modèle | Par appel | Par mois |
|---|---|---|
| GPT-6 Luna · OpenAImeilleur prix | 0,00001 € | 0,01 € |
| DeepSeek Flash · DeepSeek | 0,00004 € | 0,04 € |
| Mistral Large · Mistral AI | 0,00007 € | 0,07 € |
| DeepSeek V4 Pro · DeepSeek | 0,00018 € | 0,18 € |
| GPT-6 Sol · OpenAI | 0,00027 € | 0,27 € |
| Claude Sonnet 5.5 · Anthropic | 0,00027 € | 0,27 € |
| Claude Opus 5.5 · Anthropic | 0,00053 € | 0,53 € |
| Modèle open source hébergé chez soi (Ollama, vLLM) | 0 € d'API (coût du serveur seulement) | |
Coût d'entrée seulement, sans la réponse du modèle. Prix publics des fournisseurs (Mistral AI, DeepSeek, OpenAI, Anthropic), tarif standard en dollars converti en euros au taux BCE du 13 octobre 2026. Estimation : 1 token ≈ 3,6 caractères.
Commun aux 3 régions
Contenu créé par l'auteur, sans source extérieure.
Usage commercial autorisé · citer l'auteur · modifications permises.
Texte ou données seuls : aucun accès aux fichiers, au réseau ni aux commandes.
Hébergé en France (Scaleway, Paris). Aucun transfert hors UE.
Union européenne · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement : pas de résumé à fournir.
États-Unis · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement : pas de documentation à publier.
Chine · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement ; les contenus générés par IA diffusés en Chine doivent être marqués (2025).
Synthèse indicative au 30/09/2026, sans valeur de certification juridique. Méthode et sources →
Qualité du contenu
Exemple de configuration à adapter — performances non mesurées
Le détail des critères est réservé aux membres.
Chaque critère, les points retirés et un conseil pour corriger.
Analyse du contenu
Le détail des critères est réservé aux membres.
Chaque critère, les points retirés et un conseil pour corriger.
Calculé à partir du contenu de la fiche, par règles, sans IA. La note est dans l'onglet Qualité.
MCP contexte
https://contextetech.com/mcp
charge 1x3fpqv
Ajoutez l'adresse comme connecteur dans les pages des applications d'IA, puis envoyez la demande ci-dessus.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--llama-cpp-serveur-gguf" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
llama-cpp-serveur-gguf.inference.json
{
"format": "contextetech/inference/v1",
"id": "contextetech/llama-cpp-serveur-gguf",
"description": "Lancer n'importe quel modèle GGUF avec le serveur de llama.cpp : API compatible OpenAI sur le port 8080, fonctionne aussi sans carte graphique.",
"license": "MIT",
"language": "fr",
"runtime": "llamacpp",
"model": "modele.gguf",
"config": "",
"command": "llama-server -m modele.gguf -c 8192 --host 127.0.0.1 --port 8080",
"quant": "Q4_K_M",
"contextLength": 8192,
"ramGb": null
}Commande de lancement
llama-server -m modele.gguf -c 8192 --host 127.0.0.1 --port 8080
Communauté
Pas encore de commentaire. Partagez votre retour, il aidera les suivants.