Skills Guide

MetriLLM - Trouver le meilleur LLM local pour votre machine

VérifiéPrudence

Teste la vitesse, la qualité et l'adéquation RAM des LLM locaux, puis vous indique si un modèle vaut la peine d'être exécuté sur votre machine.

Télécharger et utiliser
Spar Skills Guide Bot
Data & IADébutant
27/07/2026
Claude CodeCursorCodex
#local-llm#benchmarking#ollama#lm-studio#performance-testing

Recommandé pour

Claude CodeCursorCodexData scientistData & analyse

Synthèse automatique

MetriLLM teste un modèle LLM local sur votre machine et rend un verdict sur son adéquation à votre matériel, en mesurant vitesse, qualité et empreinte mémoire.

Points forts

  • Donne un verdict clair (EXCELLENT à NOT RECOMMENDED) au lieu de simples chiffres bruts
  • Combine mesures de performance (tokens/s, TTFT, RAM) et évaluation qualitative sur plusieurs axes
  • Mode --perf-only pour des tests rapides et sortie --json exploitable dans un pipeline
  • S'appuie sur Ollama ou LM Studio, deux runtimes locaux courants

Limites

  • Nécessite Node.js 20+, une installation globale npm et un serveur Ollama/LM Studio déjà lancé
  • Le benchmark complet peut être long selon la vitesse du modèle
  • L'option --share envoie modèle, scores et specs matérielles sur le leaderboard public (pas de données personnelles, mais à savoir)
Quand l'utiliser

Quand vous voulez savoir objectivement si un modèle local tourne assez vite et juste sur votre machine avant de l'adopter.

Quand l'éviter

Si vous cherchez à comparer des modèles API distants ou à évaluer la qualité sans exécuter de benchmark sur votre propre matériel.

Analyse de sécurité

Prudence
Score qualité82/100

The skill does not contain destructive, exfiltrating, or obfuscated instructions. However, it asks the agent to globally install and execute an unpinned third-party npm CLI and optionally upload benchmark and hardware data to an external service, so it warrants caution rather than being fully safe.

Points d'attention
  • •Installs and executes a third-party npm package globally with `npm install -g metrillm@latest`, which is unpinned and carries supply-chain risk.
  • •The optional `--share` flag uploads benchmark results and hardware specifications to a third-party service (`metrillm.dev`), though the skill states no personal data is sent.
  • •Uses Bash to run external CLI commands that interact with local model servers and write results under `~/.metrillm/results/`.
Comment cette analyse est faite

Exemples

Full benchmark of a model
Benchmark llama3.2:3b with MetriLLM on this machine and tell me whether it's worth running day to day.
Quick speed check
Run a performance-only MetriLLM benchmark on qwen2.5-coder:7b and report tokens/s, time to first token and memory used.
Compare previous runs
List the results in ~/.metrillm/results/ and summarize which model got the best fitness verdict on this hardware.

name: metrillm description: Find the best local LLM for your machine. Tests speed, quality and RAM fit, then tells you if a model is worth running on your hardware. argument-hint: "[model-name]" author: MetriLLM source: https://github.com/MetriLLM/metrillm license: Apache-2.0 allowed-tools: Bash, Read install: npm install -g metrillm@latest

MetriLLM — Find the Best LLM for Your Hardware

Test any local model and get a clear verdict: is it worth running on your machine?

Prerequisites

  1. Node.js 20+ — check with node -v
  2. Ollama or LM Studio installed and running
  3. MetriLLM CLI — install globally:
npm install -g metrillm@latest

Usage

List available models

ollama list

Run a full benchmark

metrillm bench --model $ARGUMENTS --json

This measures:

  • Performance: tokens/second, time to first token, memory usage
  • Quality: reasoning, math, coding, instruction following, structured output, multilingual
  • Fitness verdict: EXCELLENT / GOOD / MARGINAL / NOT RECOMMENDED

Performance-only benchmark (faster)

metrillm bench --model $ARGUMENTS --perf-only --json

Skips quality evaluation — measures speed and memory only.

View previous results

ls ~/.metrillm/results/

Read any JSON file to see full benchmark details.

Share to the public leaderboard

metrillm bench --model $ARGUMENTS --share

Uploads your result to the MetriLLM community leaderboard — an open, community-driven ranking of local LLM performance across real hardware. Compare your results with others and help the community find the best models for every setup. Shared data includes: model name, scores, hardware specs (CPU, RAM, GPU). No personal data is sent.

Interpreting Results

| Verdict | Score | Meaning | |---|---|---| | EXCELLENT | >= 80 | Fast and accurate — great fit | | GOOD | >= 60 | Solid — suitable for most tasks | | MARGINAL | >= 40 | Usable but with tradeoffs | | NOT RECOMMENDED | < 40 | Too slow or inaccurate |

Key metrics to highlight:

  • tokensPerSecond > 30 = good for interactive use
  • ttft < 500ms = responsive
  • memoryUsedGB vs available RAM = will it fit?

Tips

  • Use --perf-only for quick tests
  • Close GPU-intensive apps before benchmarking
  • Benchmark duration varies depending on model speed and response length

Open Source

MetriLLM is free and open source (Apache 2.0). Contributions, issues, and feedback are welcome: github.com/MetriLLM/metrillm

Du fichier au premier essai

Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.

Consulter la source et ses fichiers annexes

Ce téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.

1. Télécharger le fichier

Télécharger SKILL.md

Depuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.

Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.

mkdir -p '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/download' --output '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md.part' && mv '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md.part' '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md'

2. Vérifier les prérequis

Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.

Outils déclarés par l’auteur (à vérifier dans votre agent) : Bash, Read

Extrait original : Prerequisites
  1. Node.js 20+ — check with node -v
  2. Ollama or LM Studio installed and running
  3. MetriLLM CLI — install globally:
npm install -g metrillm@latest

Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.

3. Charger la skill

Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.

Claude Code
test -f '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md' && test -s '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/metrillm' && cp -R '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra' '.claude/skills/metrillm'

Cursor
test -f '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md' && test -s '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md' && mkdir -p '.cursor/skills' && test ! -e '.cursor/skills/metrillm' && cp -R '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra' '.cursor/skills/metrillm'

Codex
test -f '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md' && test -s '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md' && mkdir -p '.agents/skills' && test ! -e '.agents/skills/metrillm' && cp -R '.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra' '.agents/skills/metrillm'

OpenSkills

OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.

Installation officielle d’OpenSkills
openskills install './.skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra'

openskills read 'metrillm-find-best-local-llm-for-your-hardware-ms2s7bra'

La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.

Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.

openskills sync

Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.

4. Faire un premier essai

Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :

Lis .skill-downloads/metrillm-find-best-local-llm-for-your-hardware-ms2s7bra/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.

Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.

Skills similaires

Créer des cartes interactives avec kepler.gl

Data & IA

Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).

Claude CodeCursorCodexintermediateSûr 11,995
Skills Guide Bot

Optimisation de paramètres par agent

Data & IA

Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.

Claude CodeCursorCodexintermediateSûr 45,609
Skills Guide Bot

Relance des visiteurs ICP

Data & IA

Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.

Claude CodeintermediateSûr 6,843
Skills Guide Bot