llama.cpp 1.0 verrouille son API et devient la fondation de l’IA locale
Le 13 novembre 2026, llama.cpp publie sa version 1.0.0 et impose la version sémantique à libllama et libggml, les bibliothèques qui font tourner l’inférence locale de bout en bout. Si vous intégrez de l’IA locale dans un produit, adoptez les canaux de distribution officiels — Docker, Debian, Homebrew — plutôt que de compiler et vendorer le code vous-même.
13 novembre 2026. llama.cpp publie sa version 1.0.0, en même temps que ggml 1.0.0, la bibliothèque de tenseurs qui lui sert de moteur de calcul. 13 novembre 2026. Le projet, lancé il y a trois ans et demi par Georgi Gerganov, devient une bibliothèque à contrat d’API stable — plus un dépôt de bricolage qui cassait ses interfaces à chaque release. 13 novembre 2026. Les deux bibliothèques adoptent officiellement la version sémantique, et toute rupture d’API ou d’ABI sera désormais signalée par un saut de version majeure. Pourquoi c’est important : toute l’inférence locale — Ollama, LM Studio, des milliers d’intégrations en C et C++ — repose sur ce code ; le stabiliser, c’est stabiliser l’écosystème entier.
Ce que 1.0.0 change vraiment
La sortie est déroutante parce qu’elle n’apporte aucune fonctionnalité spectaculaire. Pas de nouveau backend, pas de modèle inédit, pas de gain de vitesse annoncé. Ce que llama.cpp publie, c’est un contrat : une promesse sur la façon dont le projet changera — ou ne changera plus — à l’avenir.
La mécanique tient en une règle de version sémantique, appliquée à deux bibliothèques distinctes. libllama porte l’inférence de LLM en C/C++, libggml porte le calcul tensoriel sous-jacent. À partir de maintenant, le numéro de version dit exactement ce qui a bougé.
| Type de changement | Saut de version |
|---|---|
Rupture de l’API C publique (./include) | MAJEUR |
| Fonctionnalité, backend, support de modèle ou ajout d’API rétrocompatible | MINEUR |
| Correctif sans changement d’API | PATCH |
La conséquence est concrète pour quiconque embarque llama.cpp dans un produit. Jusqu’ici, une mise à jour pouvait silencieusement casser une intégration : une signature qui change, une structure qui grossit, un symbole qui disparaît. Désormais, ces ruptures passent par une version majeure — visible, annoncée, planifiable. Les mainteneurs l’assument explicitement : « avec l’adoption croissante, nous serons plus stricts sur la visibilité de ces frontières ».
Ce verrouillage arrive tard, et pour cause. Un moteur qui ajoute un backend par trimestre et des architectures de modèles par dizaines ne peut pas promettre la stabilité sans ralentir son propre développement. L’annonce de la 1.0 est donc d’abord un message aux intégrateurs — « nous ne casserons plus votre code sans vous prévenir » — plutôt qu’un changement technique. Le numéro de version redevient un outil de planification, pas un compteur d’enthousiasme.
La distribution sort de l’artisanat
Le deuxième pilier de la 1.0 est moins spectaculaire mais tout aussi structurant : llama.cpp cesse d’être un projet qu’on compile soi-même pour devenir un logiciel qu’on installe.
Le projet annonce une matrice de canaux de distribution officiels couvrant sept plateformes : artefacts de pré-release pour Linux, macOS, Windows, Android et iOS ; Docker et Debian pour Linux ; Homebrew pour macOS et Linux ; conda-forge, MacPorts, Winget et XCFramework pour compléter le tableau. Pour un intégrateur, cela change la donne : on ne vendore plus un instantané du code, on épingle une version publiée et signée par le canal.
Le mouvement n’est pas cosmétique. Un dépôt compilé à la main est un dépôt qui dérive, qui oublie les correctifs de sécurité et qui rend les audits impossibles. Un paquet Debian ou une image Docker officielle, c’est une base versionnée que votre pipeline peut reconstruire à l’identique. Pour une équipe qui livre de l’inférence locale en production, la différence est celle qui sépare un prototype d’un produit.
Un écosystème qui tient sur deux bibliothèques
Le poids de la décision se mesure à ce qui dépend déjà de llama.cpp. Le projet revendique le support de plus de 150 variantes d’architectures de modèles ainsi que de toutes les méthodes courantes de décodage spéculatif. Le moteur ggml est conçu pour tourner « sur virtuellement n’importe quel matériel », grâce à des backends compilés en bibliothèques dynamiques et chargés à la demande — avec des contributions matérielles de NVIDIA, AMD, Qualcomm, Arm, IBM et Intel.
La partie CI raconte la même histoire de professionnalisation. Le projet utilise les HF Buckets et HF Jobs de Hugging Face pour faire tourner les tests, et aligne des runners auto-hébergés sur les grandes familles de matériel. Chaque changement qui atterrit sur master est censé être validé sur du silicium réel — un luxe de fondation, pas de projet de week-end.
Le format de modèle qui a fait le succès de llama.cpp, le GGUF, est déjà devenu le format d’échange de l’inférence locale — nous l’avions documenté lors de son arrivée dans Transformers. La 1.0 referme la boucle : le format est un standard de fait, la bibliothèque devient une plateforme. L’équipe pousse d’ailleurs sa propre vitrine, l’application de bureau Llama pour macOS et Windows, publiée avec Hugging Face.
Installer et servir, sans vendorer
Le changement d’usage se résume en deux commandes. Sur macOS ou Linux, Homebrew installe l’outillage complet, puis llama-server expose un modèle en API compatible OpenAI sur le port local.
brew install llama.cpp
llama-server -m ~/models/mistral-7b-instruct-q4_k_m.gguf --port 8080 En conteneur, l’image Docker officielle joue le même rôle sans rien compiler. Pour la première fois, « faire tourner un modèle localement » ne commence plus par git clone et une heure de compilation.
La sécurité passe aussi par le canal de distribution
L’argument qui convaincra un RSSI n’est pas l’élégance de la semver, mais ce qu’elle permet de mettre en place. Un code vendoré est un code figé : les correctifs de sécurité publiés en amont n’arrivent jamais dans votre arbre, et chaque mise à jour devient une recompilation manuelle que personne ne fait. Les canaux officiels inversent la dynamique — Docker, Debian et Homebrew livrent les correctifs au rythme des releases, et votre dépendance devient une ligne à épingler plutôt qu’un dossier à maintenir.
La 1.0 arrive au moment où le projet continue d’accélérer. En octobre 2026, llama.cpp ajoutait à son catalogue les modèles de décision, une famille conçue pour les agents. La version 1.0.0 ne gèle donc pas le développement : elle fige la surface publique. C’est la distinction qui compte — les fonctionnalités continuent d’arriver en version mineure, tandis que l’API que vous intégrez cesse de bouger sous vos pieds.
Le verdict
Si vous intégrez de l’inférence locale dans un produit, arrêtez de vendorer llama.cpp et épinglez une version 1.x via un canal officiel — Docker, Debian ou Homebrew. La version sémantique vous donne ce qui manquait depuis trois ans : une façon de prévoir les ruptures d’API au lieu de les subir, et un chemin de mise à jour auditable.
Si vous ne faites que tester des modèles sur votre machine, ne changez rien à vos habitudes — la 1.0 n’accélère pas l’inférence et n’ajoute aucun modèle. L’essentiel à retenir est ailleurs : llama.cpp a cessé d’être un outil de bricolage et assume désormais le rôle que son adoption lui avait déjà confié, celui de fondation de l’IA locale.