# NVIDIA PAIR 1.0 : vos ordinateurs se partagent l’IA locale > NVIDIA PAIR 1.0 répartit l’IA locale entre vos ordinateurs. Usages avec Ollama et LM Studio, limites de mémoire et confidentialité : ce qui change. - Page ZoneIA : https://zoneia.fr/blog/nvidia-pair-1-0-ia-locale - Type : Actualité - Catégories : [Agents Autonomes](https://zoneia.fr/outils/categorie/agents-autonomes-ia), [Productivité & Bureautique](https://zoneia.fr/outils/categorie/productivite-bureautique) - Publié le : 2026-10-14 - Mis à jour le : 2026-10-14 Un PC de bureau qui attend pendant qu’un portable peine à répondre à plusieurs demandes d’IA : c’est le problème auquel s’attaque **NVIDIA PAIR 1.0**. Annoncée le **13 octobre 2026**, cette version sort de bêta et facilite l’utilisation de plusieurs ordinateurs pour l’IA locale. L’intérêt dépasse les nouvelles machines RTX Spark : il s’agit aussi de mieux utiliser du matériel que l’on possède déjà. [Annonce NVIDIA](https://blogs.nvidia.com/blog/local-ai-rtx-spark-laptops-software-updates/). ## Ce qui change avec NVIDIA PAIR 1.0 PAIR, pour *Personal AI Router*, organise les demandes envoyées à des modèles exécutés sur votre réseau. La version 1.0 ajoute la prise en charge de **llama.cpp**, le téléchargement de modèles GGUF compatibles depuis Hugging Face et des réglages de lancement des moteurs. Elle apporte aussi le support de RTX Spark. Ces nouveautés sont détaillées dans les [notes officielles de la version 1.0.0](https://github.com/NVIDIA/Personal-AI-Router/releases/tag/v1.0.0). Le logiciel est gratuit et son code est publié sous licence Apache 2.0. Il s’appuie sur des moteurs tels qu’[Ollama](https://zoneia.fr/outil/ollama) et [LM Studio](https://zoneia.fr/outil/lm-studio) : dans le cadre de PAIR, leurs moteurs exécutent les modèles locaux. PAIR ajoute une couche de répartition au-dessus. [Présentation et code du projet](https://github.com/NVIDIA/Personal-AI-Router). ## Plusieurs ordinateurs, plusieurs requêtes en parallèle Imaginez un assistant chargé de préparer un dossier. Une demande résume des documents, une autre examine du code, une troisième rédige un brouillon. Si ces travaux sont indépendants, plusieurs machines peuvent les traiter simultanément. PAIR reçoit chaque requête et choisit un ordinateur disponible disposant du moteur et du modèle nécessaires. Chaque demande s’exécute entièrement sur cette machine. L’application cliente conserve un point de connexion local. C’est de l’[inférence](https://zoneia.fr/glossaire/inference) répartie entre plusieurs appareils, plutôt qu’un nouveau modèle d’IA. ![Schéma NVIDIA montrant PAIR répartir les requêtes d’un agent et de ses sous-agents entre trois ordinateurs](https://assets.zoneia.fr/articles/nvidia-pair-1-0-ia-locale/repartition-requetes-d95a63f25d1b.webp) *Schéma officiel : NVIDIA. Chaque ordinateur reçoit des requêtes distinctes ; un appel n’est pas découpé entre les machines.* **La mémoire des GPU ne s’additionne pas.** Deux cartes de 12 Go ne deviennent pas une carte de 24 Go pour charger un gros modèle. Celui-ci doit tenir sur l’ordinateur qui exécute la requête. Le [README officiel](https://github.com/NVIDIA/Personal-AI-Router) exclut explicitement la fusion des GPU, le partage d’un modèle entre machines et le découpage d’une requête en cours. ## Pourquoi c’est utile pour une petite équipe Notre lecture : PAIR devient intéressant quand plusieurs tâches se disputent une machine, alors qu’un autre ordinateur compatible reste disponible. Une agence peut, par exemple, comparer les files d’attente de plusieurs assistants. Un développeur peut séparer l’analyse de code de la rédaction de documentation. En revanche, si votre usage consiste à poser une question, attendre sa réponse, puis poser la suivante, le bénéfice peut être faible. Le logiciel n’améliore pas à lui seul la qualité du modèle. Il faut des travaux indépendants à répartir, et assez de capacité disponible pour les absorber. NVIDIA publie une démonstration avec cinq sous-agents : **18 minutes sur un portable RTX Spark**, contre **8 minutes et 48 secondes** avec trois appareils. Le fabricant précise qu’il s’agit d’un résultat propre à cette configuration, pas d’un benchmark universel. Il dépend notamment du modèle, du réseau et du travail à paralléliser. [Démonstration technique, publiée le 3 septembre](https://developer.nvidia.com/blog/nvidia-pair-virtual-inference-router-expands-available-compute-on-your-local-network/). ## Comment faire un premier essai avec vos machines Le [guide de démarrage officiel](https://github.com/NVIDIA/Personal-AI-Router/blob/develop/docs/getting-started.mdx) décrit un parcours accessible : 1. Installer PAIR sur les ordinateurs compatibles du même réseau local. 2. Les associer avec le code temporaire affiché par l’application. 3. Activer un moteur et télécharger un modèle adapté à chaque machine. 4. Préparer le même modèle sur plusieurs appareils pour tester la répartition. 5. Relier un client compatible à l’adresse locale fournie dans **Endpoints**. 6. Vérifier dans **Jobs** quel appareil a réellement traité chaque demande. ![Capture officielle de NVIDIA PAIR : la vue Jobs affiche des requêtes exécutées sur deux machines, un Mac et un système NVIDIA GB10](https://assets.zoneia.fr/articles/nvidia-pair-1-0-ia-locale/interface-requetes-bb939d9ec612.webp) *Capture issue de la documentation NVIDIA. La vue Jobs permet de vérifier où les calculs ont lieu.* Pour un essai reproductible, utilisez quelques textes publics avec notre prompt de [reformulation et adaptation de texte](https://zoneia.fr/prompts/reformuler-adapter-texte). Comparez les mêmes demandes, d’abord sur une seule machine, puis sur plusieurs. Relevez le temps total, la qualité des réponses et les appareils effectivement sollicités. Une réponse rapide mais incomplète reste un mauvais résultat. ## IA locale : ce qui reste privé, et à quelles conditions La [page produit NVIDIA](https://www.nvidia.com/en-us/ai-on-rtx/personal-ai-router/) indique que PAIR fonctionne sur des systèmes Windows, Linux et macOS compatibles. Il n’est donc pas nécessaire d’acheter un RTX Spark pour explorer le principe. Chaque moteur et chaque modèle conservent toutefois leurs propres exigences matérielles. Le fonctionnement local peut éviter d’envoyer les prompts et réponses à un service d’inférence cloud. **Cette confidentialité dépend de toute la chaîne** : un agent qui utilise une recherche web, une API distante ou un autre service peut encore transmettre des informations. Le README de PAIR conditionne le maintien des échanges sur le réseau à une configuration entièrement locale. Pour une entreprise, un réseau local ne suffit pas à démontrer une conformité réglementaire. Il faut aussi examiner les accès, les journaux et les services connectés. Notre entrée sur la [confidentialité des données](https://zoneia.fr/glossaire/confidentialite-des-donnees) permet de replacer ces choix dans leur contexte. ## Faut-il s’y mettre maintenant ? **Oui, pour expérimenter si vous avez déjà plusieurs machines compatibles et des tâches parallèles.** Commencez avec un petit modèle et des données publiques. Mesurez le gain avant d’investir dans du matériel ou de déplacer un processus professionnel. Pour un assistant unique sur un seul ordinateur, Ollama ou LM Studio peut déjà répondre au besoin. PAIR prend surtout son sens lorsque l’on cherche à absorber plusieurs demandes locales à la fois. Cette évolution complète le mouvement vers des agents plus encadrés, présenté dans notre article de mars 2026 sur le [NVIDIA Agent Toolkit et la sécurité des agents IA](https://zoneia.fr/blog/nvidia-agent-toolkit-securiser-agents-ia). *Illustration de couverture générée avec ImageGen pour ZoneIA. Crédit du schéma : NVIDIA, blog technique du 3 septembre 2026. Capture de l’interface : documentation officielle NVIDIA. L’actualité traitée ici est la sortie de PAIR 1.0 annoncée le 13 octobre ; les visuels illustrent son fonctionnement et ne sont pas présentés comme de nouveaux benchmarks.* ## Sources officielles - [NVIDIA : sortie de bêta de PAIR et annonces logicielles du 13 octobre 2026](https://blogs.nvidia.com/blog/local-ai-rtx-spark-laptops-software-updates/). - [NVIDIA sur GitHub : version 1.0.0, publiée le 13 octobre 2026](https://github.com/NVIDIA/Personal-AI-Router/releases/tag/v1.0.0). - [Page produit NVIDIA PAIR : compatibilité et fonctionnement local](https://www.nvidia.com/en-us/ai-on-rtx/personal-ai-router/). - [README du projet : architecture, licence et limites](https://github.com/NVIDIA/Personal-AI-Router). - [Guide officiel : installation, association et contrôle des requêtes](https://github.com/NVIDIA/Personal-AI-Router/blob/develop/docs/getting-started.mdx). - [Blog technique NVIDIA du 3 septembre 2026 : schémas et démonstration contextualisée](https://developer.nvidia.com/blog/nvidia-pair-virtual-inference-router-expands-available-compute-on-your-local-network/). --- Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/blog/nvidia-pair-1-0-ia-locale)