Les smartphones compatibles GenAI devraient représenter 45% des livraisons mondiales en 2026, contre 36% un an plus tôt (Counterpoint Research, GenAI Smartphone Share Forecast 2026), et la quasi-totalité d’entre eux dépendent d’un petit modèle de langage exécuté en local sur une unité de traitement neuronal. Les modèles eux-mêmes ont rétréci pour s’y adapter : le modèle de fondation embarqué d’Apple loge environ 3 milliards de paramètres à 2 bits par poids (Apple Machine Learning Research, Foundation Models 2025 Updates), et Gemma 3n E2B de Google tourne avec seulement 2 Go de mémoire (Google Developers Blog, Gemma 3n Developer Guide 2025). Le silicium progresse tout aussi vite, Qualcomm revendiquant jusqu’à 220 tokens par seconde sur son nouveau NPU Hexagon. Nous avons agrégé des données de Counterpoint Research, Gartner, IDC, MLCommons, Apple, Google, Qualcomm, MediaTek, Meta, Microsoft, Deloitte et Samsung pour cartographier la situation des SLM embarqués en 2026. Pour le panorama matériel plus large, consultez notre tour d’horizon des statistiques de l’IA en périphérie.
TL;DR
- 45% des smartphones livrés en 2026 seront compatibles GenAI, contre 36% en 2025 (Counterpoint Research, 2026)
- 559 millions de smartphones GenAI prévus en 2026, après 369,3 millions en 2025 (Gartner, GenAI Smartphone Forecast 2025)
- USD 393,3 milliards de dépenses des utilisateurs finaux en smartphones GenAI prévus en 2026, en hausse de 32% (Gartner, 2025)
- Environ 3 milliards de paramètres à 2 bits par poids animent le modèle embarqué d’Apple (Apple Machine Learning Research, 2025)
- Empreintes mémoire de 2 Go et 3 Go pour Gemma 3n E2B et E4B (Google Developers Blog, 2025)
- Les modèles Llama 3.2 1B et 3B quantifiés sont 56% plus petits et utilisent 41% de mémoire en moins (Meta AI, 2024)
- Jusqu’à 220 tokens par seconde sur le NPU Hexagon du Snapdragon 8 Elite Gen 5, 37% plus rapide que la génération précédente (Qualcomm, 2025)
- Gemini Nano sur Tensor G5 est 2,6 fois plus rapide et 2 fois plus efficace que sur Tensor G4 (Google, 2025)
- 3 tailles de modèles Llama (1B, 3B, 8B) dans le nouveau benchmark LLM MLPerf Mobile v6.0 (MLCommons, 2026)
- Hausse d’environ quatre fois des prix de la mémoire mobile d’ici le deuxième trimestre 2026 (Counterpoint Research, 2026)
- Baisse de 13,9% prévue des livraisons de smartphones en 2026, à 1,08 milliard d’unités, à cause de la pénurie de mémoire (Counterpoint Research, 2026)
- Plus de 70% des utilisateurs du Galaxy S25 utilisent activement les fonctions d’IA intégrées (Samsung, 2025)
1. Livraisons de smartphones GenAI : la base installée des SLM embarqués
Tout smartphone GenAI est, par définition, un hôte pour un petit modèle de langage : Gartner définit la catégorie comme les appareils dotés d’un moteur neuronal ou d’un NPU intégré capable d’exécuter des SLM. Les prévisions de livraisons constituent donc le meilleur indicateur du nombre d’appareils capables d’exécuter un modèle local. Counterpoint s’attend désormais à ce que 45% de tous les smartphones livrés en 2026 soient compatibles GenAI, et 52% en 2027 (Counterpoint Research, GenAI Smartphone Share to Rise to 45% in 2026).
L’histoire derrière la courbe, c’est le milieu de gamme. Counterpoint affirme que la GenAI est désormais standard au-dessus de 400 USD en prix de gros. La contrainte est passée de « la puce peut-elle exécuter un modèle » à « la nomenclature peut-elle absorber la mémoire », ce que la section 6 chiffre. Pour le contexte plus large des terminaux, notre page de statistiques du marché des smartphones couvre les volumes totaux par constructeur.
| Métrique | Valeur | Source |
|---|---|---|
| Part des smartphones compatibles GenAI dans les livraisons mondiales, 2026 | 45% (contre 36% en 2025) | Counterpoint Research, juin 2026 |
| Prévision de part des smartphones compatibles GenAI, 2027 | 52% | Counterpoint Research, juin 2026 |
| Livraisons de smartphones GenAI, prévision 2025 | Plus de 400 millions, environ un téléphone sur trois | Counterpoint Research, mars 2025 |
| Part des smartphones compatibles GenAI en 2024 | Un smartphone sur cinq | Counterpoint Research, mars 2025 |
| Volume de smartphones GenAI, 2024 / 2025 / 2026 | 260,4 M / 369,3 M / 559 M | Gartner, GenAI Smartphone Forecast, sept. 2025 |
| Livraisons de smartphones GenAI, 2025 | Plus de 370 millions (30% de part), en hausse de 73,1% | IDC Worldwide Smartphone Forecast, 2025 |
| Livraisons de smartphones GenAI, 2028 | 912 millions d’unités, TCAC de 78,4% | IDC, Generative AI Smartphone Forecast, juillet 2024 |
Note de contexte : les trois cabinets utilisent des définitions et des dates différentes. Le communiqué d’IDC de juillet 2024 (communiqué IDC) projetait que les téléphones GenAI représenteraient 70% du marché d’ici 2028, tandis que sa prévision de 2025 a repoussé le seuil de « plus de 70% » à 2029. Données de long terme les plus récentes d’IDC : juillet 2024.
2. Dépenses et taille du marché : de gros dollars de matériel, de petits revenus de modèles
Deux chiffres très différents décrivent ce marché. Le matériel qui exécute les SLM est une catégorie grand public courante, tandis que le marché des modèles eux-mêmes reste petit et mal défini. Gartner prévoit USD 393,3 milliards de dépenses des utilisateurs finaux en smartphones GenAI en 2026, en hausse de 32% par rapport à USD 298,2 milliards en 2025 (Gartner, communiqué sur les dépenses des utilisateurs finaux en smartphones GenAI 2025).
Côté logiciel, les estimations des analystes sur le marché des petits modèles de langage divergent d’un ordre de grandeur, ce qui en dit plus sur les définitions que sur la demande. MarketsandMarkets chiffre 2025 à USD 0,93 milliard, tandis que Research and Markets le situe autour de USD 9,16 milliards. Point commun : tous les cabinets désignent le déploiement en périphérie et embarqué comme le segment à la croissance la plus rapide.
| Métrique | Valeur | Source |
|---|---|---|
| Dépenses des utilisateurs finaux en smartphones GenAI, 2024 / 2025 / 2026 | USD 244,7 Md / USD 298,2 Md / USD 393,3 Md | Gartner, sept. 2025 |
| Part des smartphones GenAI dans toutes les dépenses des utilisateurs finaux en IA, 2025 | 20% | Gartner, sept. 2025 |
| Smartphones GenAI d’entrée de gamme (moins de 350 USD) avec NPU, 2025 | 41% | Gartner, sept. 2025 |
| Smartphones premium dotés de capacités GenAI d’ici 2029 | 100% | Gartner, sept. 2025 |
| Marché des petits modèles de langage, 2025 à 2032 | USD 0,93 Md à USD 5,45 Md, TCAC de 28,7% | MarketsandMarkets, avril 2025 |
| Marché des petits modèles de langage, 2025 à 2030 | USD 9,16 Md à USD 22,45 Md, TCAC de 19,6% | Research and Markets, SLM Market Report 2026 |
| Marché des petits modèles de langage, 2026 à 2030 | USD 11,1 Md à USD 20,7 Md, TCAC de 15,1% | Grand View Research, SLM Market Report |
Le communiqué de MarketsandMarkets (GlobeNewswire, avril 2025) désigne le déploiement en périphérie comme le segment à la croissance la plus rapide, porté par les exigences de latence et de confidentialité sur les smartphones et les objets connectés.
3. Taille des modèles et compression : 3 milliards de paramètres à 2 bits
Le plafond pratique d’un modèle résidant sur un téléphone est fixé par la RAM, pas par l’ambition. Les modèles commercialisés se regroupent entre 1B et 4B paramètres, et le vrai travail d’ingénierie porte sur le nombre de bits alloués à chaque poids. Apple compresse son modèle embarqué d’environ 3 milliards de paramètres à 2 bits par poids grâce à un entraînement sensible à la quantification, avec des embeddings en 4 bits et un cache KV en 8 bits (Apple Machine Learning Research, Updates to Apple’s On-Device and Server Foundation Language Models 2025).
C’est une nette baisse par rapport à 2024, où le modèle d’Apple affichait en moyenne 3,7 bits par poids. Google a emprunté une autre voie avec Gemma 3n : conserver davantage de paramètres bruts, mais ranger les embeddings par couche en dehors de la mémoire de l’accélérateur, de sorte que seuls environ 2B ou 4B paramètres « effectifs » résident dans la mémoire rapide (Google Developers Blog, Introducing Gemma 3n 2025). La compression coûte peu en précision à ces niveaux : Apple rapporte une amélioration de 1,5% sur MMLU et une régression d’environ 4,6% sur MGSM après compression.
| Métrique | Valeur | Source |
|---|---|---|
| Taille du modèle embarqué d’Apple | Environ 3 milliards de paramètres | Apple Machine Learning Research, 2025 |
| Précision des poids du modèle embarqué d’Apple | 2 bits par poids (QAT) ; embeddings 4 bits ; cache KV 8 bits | Apple Machine Learning Research, 2025 |
| Réduction de la mémoire du cache KV d’Apple grâce au partage de blocs | 37,5% | Apple Intelligence Foundation Language Models Tech Report, 2025 |
| Précision du modèle embarqué d’Apple en 2024 | Mixte 2 bits et 4 bits, moyenne de 3,7 bits par poids | Apple Machine Learning Research, 2024 |
| Paramètres bruts de Gemma 3n E2B / E4B | 5B / 8B | Google Developers Blog, 2025 |
| Empreinte mémoire de Gemma 3n E2B / E4B | Dès 2 Go / 3 Go | Google Developers Blog, 2025 |
| Taille et réduction de mémoire de Llama 3.2 1B et 3B quantifiés par rapport à BF16 | 56% plus petits, 41% de mémoire en moins | Meta AI, Quantized Llama Models, oct. 2024 |
| Taille et quantification de Phi Silica | 3,3B paramètres, poids en 4 bits, réduction de mémoire d’environ 60% | Microsoft Windows Blog, déc. 2024 |
Note de contexte : la publication de Meta sur Llama quantifié (blog Meta AI) et l’article de Microsoft sur Phi Silica (Windows Experience Blog) datent de fin 2024. Données les plus récentes disponibles pour les deux : 2024. Une étude académique menée sur ordinateur portable apporte une règle empirique utile : environ 3,5 bits effectifs par poids, c’est le seuil à partir duquel un modèle plus grand fortement quantifié commence à battre un modèle plus petit de précision supérieure (arXiv 2505.15030, A Systematic Evaluation of On-Device LLMs).
4. Débit des NPU : tokens par seconde sur le silicium haut de gamme
Les débits annoncés sont déclarés par les fabricants et mesurés sur des modèles différents ; considérez-les donc comme des plafonds et non comme des scores comparables. La tendance n’en est pas moins nette. Qualcomm affirme que le NPU Hexagon du Snapdragon 8 Elite Gen 5 est 37% plus rapide que son prédécesseur et soutient jusqu’à 220 tokens par seconde, avec prise en charge d’INT2 et de FP8 (Qualcomm, lancement du Snapdragon 8 Elite Gen 5, sept. 2025 ; chiffres corroborés par Futurum Group).
Les chiffres les plus parlants opposent préremplissage et décodage. Lire un prompt est peu coûteux pour un NPU ; générer chaque nouveau token est limité par la mémoire. Gemma 3n E2B sur un NPU Dimensity 9500 lit plus de 1 600 tokens par seconde mais n’en écrit que 28, ce qui explique pourquoi chaque fabricant se bat pour la bande passante et les formats de précision réduite. Cet écart compte pour les fonctions vocales et d’assistant en temps réel, où une première réponse rapide masque une queue lente ; nos statistiques des assistants vocaux suivent la façon dont cela se traduit dans l’usage.
| Métrique | Valeur | Source |
|---|---|---|
| Gain du NPU du Snapdragon 8 Elite Gen 5 | 37% plus rapide que la génération précédente | Qualcomm, sept. 2025 |
| Génération soutenue du Snapdragon 8 Elite Gen 5 | Jusqu’à 220 tokens par seconde | Qualcomm, sept. 2025 |
| Économie d’énergie globale du SoC Snapdragon 8 Elite Gen 5 | 16% | Analyse de Futurum Group des données de Qualcomm, oct. 2025 |
| Débit d’un LLM de 3B paramètres sur Dimensity 9500 | 2 fois plus rapide (100%), avec une puissance de crête inférieure de 56% | Lancement du MediaTek Dimensity 9500, sept. 2025 |
| Gemma 3n E2B sur NPU Dimensity 9500 (contexte 4K) | 1 600+ tokens/s en préremplissage, 28 tokens/s en décodage | Résultats Google LiteRT NeuroPilot, déc. 2025 |
| Débit NPU LiteRT par rapport au CPU / GPU sur MediaTek | Jusqu’à 12 fois le CPU, 10 fois le GPU | Résultats Google LiteRT NeuroPilot, déc. 2025 |
| Gemini Nano sur Tensor G5 par rapport à Tensor G4 | 2,6 fois plus rapide, 2 fois plus efficace ; TPU jusqu’à 60% plus puissant | Google, annonce du Pixel 10 Tensor G5, août 2025 |
| Modèle embarqué d’Apple (iPhone 15 Pro) | 0,6 ms par token de prompt jusqu’au premier token ; 30 tokens/s | Apple Machine Learning Research, 2024 |
Les chiffres de MediaTek proviennent de son communiqué de lancement (MediaTek via PR Newswire) ; les annonces de Google sur Tensor G5 proviennent de l’article sur le Pixel 10 Tensor G5. Le chiffre de tokens par seconde d’Apple est le plus récent qu’elle ait publié : 2024.
5. Benchmarks et qualité : MLPerf Mobile entre dans l’ère des LLM
Jusqu’en 2026, il n’existait aucune référence neutre pour les LLM de téléphone ; chaque chiffre de la section 4 émane du fabricant lui-même. MLPerf Mobile v6.0, publié par MLCommons le 15 juin 2026, ajoute des benchmarks LLM fondés sur Llama 3.2 1B, Llama 3.2 3B et Llama 3.1 8B, notés sur TinyMMLU et IFEval (MLCommons, MLPerf Mobile v6.0).
L’intégration d’un modèle 8B est le fait marquant : MLCommons note que la v6.0 prend en charge l’exécution accélérée par NPU de Llama 3.1 8B sur Snapdragon 8 Elite Gen 5, une taille qui relevait un an plus tôt d’un benchmark de centre de données. Côté qualité, les petits modèles sont désormais proches de leurs grands pairs sur les tests de connaissances. Le modèle embarqué de 3B d’Apple obtient 67,85% sur MMLU, légèrement devant Qwen-2.5-3B, et Phi Silica perd moins d’un point sur PIQA après quantification en 4 bits. Pour les familles à poids ouverts derrière bon nombre de ces benchmarks, consultez nos statistiques des LLM open source.
| Métrique | Valeur | Source |
|---|---|---|
| Modèles LLM de MLPerf Mobile v6.0 | Llama 3.2 1B, Llama 3.2 3B, Llama 3.1 8B | MLCommons, juin 2026 |
| SoC avec prise en charge nouvelle ou mise à jour en v6.0 | Snapdragon 8 Elite Gen 5, Dimensity 9500, Exynos 2600 | MLCommons, juin 2026 |
| Qualité de référence MLPerf Mobile, Llama 3.1 8B | TinyMMLU environ 61%, IFEval environ 67% (FP16) | MLCommons, page de benchmark MLPerf Mobile |
| Qualité de référence MLPerf Mobile, Llama 3.2 3B | TinyMMLU environ 59%, IFEval environ 65,5% (FP16) | MLCommons, page de benchmark MLPerf Mobile |
| Limites interactives des petits LLM dans MLPerf Inference 5.1 (Llama 3.1 8B) | Premier token en moins de 0,5 s, 30 ms par token de sortie | MLCommons, sept. 2025 |
| MMLU du modèle embarqué d’Apple | 67,85% contre 66,37% pour Qwen-2.5-3B et 62,81% pour Gemma-3-4B | Apple Foundation Models Tech Report, 2025 |
| Précision de Phi Silica après quantification en 4 bits | PIQA 80,47% à 79,76% ; ARC Challenge 63,48% à 60,49% | Microsoft Windows Blog, déc. 2024 |
| Score LMArena de Gemma 3n E4B | Plus de 1300 | Google Developers Blog, 2025 |
Note de contexte : la page de benchmark MLPerf Mobile (MLCommons) utilise la latence au 90e centile comme métrique principale pour les tâches à flux unique. Les résultats publics de LLM par appareil de la v6.0 n’avaient pas été publiés dans l’annonce de lancement que nous avons examinée. Les scores d’Apple proviennent du rapport technique 2025 sur arXiv.
6. Contraintes de mémoire et de coût : l’étau de la DRAM
La plus grande menace pour les SLM embarqués en 2026 n’est pas la qualité des modèles, c’est le prix de la RAM dans laquelle ils vivent. Counterpoint rapporte que les prix de la mémoire mobile ont environ quadruplé d’ici le deuxième trimestre 2026, les centres de données d’IA absorbant l’essentiel de la production de DRAM et de NAND (Counterpoint Research, Mobile Memory Cost Hikes, sept. 2026).
Observez la dégradation de la prévision en six mois : une baisse des livraisons de 2,1% en décembre 2025, de 12,4% en mars 2026, puis de 13,9% en juin. Un modèle de 3B à 2 bits n’a besoin que de bien moins d’un gigaoctet pour ses poids, mais la marge de RAM de plusieurs gigaoctets que les fonctions GenAI attendent est précisément ce que les téléphones d’entrée de gamme sont en train de rogner. Cela explique pourquoi Counterpoint lie la prochaine vague de téléphones GenAI à la fois à l’offre de mémoire et à des modèles plus efficaces.
| Métrique | Valeur | Source |
|---|---|---|
| Variation du prix de la mémoire mobile d’ici le T2 2026 | Environ quatre fois | Counterpoint Research, sept. 2026 |
| Prix de la LPDDR4/5 mobile au T2 2026 par rapport au T3 2025 | Près de 3 fois | Counterpoint Research, via EE Times Asia, mars 2026 |
| Hausse du coût de nomenclature (BoM) due à la flambée de la DRAM, entrée / milieu / haut de gamme | Environ 25% / 15% / 10% | Counterpoint Research, déc. 2025 |
| Révision du prix de vente moyen (ASP) de gros, 2026 | En hausse de 6,9% sur un an | Counterpoint Research, déc. 2025 |
| Prévision de livraisons de smartphones 2026, déc. 2025 / mars 2026 / juin 2026 | -2,1% / -12,4% / -13,9% | Counterpoint Research |
| Livraisons mondiales de smartphones 2026 | 1,08 milliard d’unités, le plus bas jamais enregistré | Counterpoint Research, juin 2026 |
| Livraisons du segment sous 200 USD, 2026 | Baisse de plus de 20% | Counterpoint Research, via EE Times Asia, mars 2026 |
Sources : Counterpoint, 2026 Smartphone Shipment Forecasts Revised Down et EE Times Asia sur la révision de mars 2026. Gartner ajoute un plancher matériel : il s’attend à ce que les NPU de plus de 40 TOPS soient la norme sur les téléphones premium d’ici 2027.
7. Adoption, usage et confiance : développeurs et consommateurs
La distribution n’est plus le goulot d’étranglement. Apple a ouvert son modèle embarqué aux applications tierces via le framework Foundation Models, avec une inférence gratuite qui fonctionne hors ligne et ne demande que trois lignes de Swift (Apple Newsroom, WWDC25). Samsung affirme que plus de 70% des utilisateurs du Galaxy S25 utilisent activement les fonctions d’IA intégrées, et visait Galaxy AI sur plus de 400 millions d’appareils d’ici fin 2025, soit le double de son objectif de 200 millions pour 2024 (Samsung Newsroom, Galaxy Tech Forum 2025).
La confiance fait contrepoids, et c’est le meilleur argument pour garder l’inférence en local. Deloitte a constaté que 70% des consommateurs américains s’inquiètent de la confidentialité et de la sécurité des données, et que seuls 27% ont une grande confiance dans la protection de leurs données. Les SLM embarqués répondent à cette préoccupation par conception, ce qui explique aussi pourquoi le traitement local compte pour les outils vocaux tels qu’un changeur de voix en temps réel pour Discord, où l’audio n’a jamais besoin de quitter la machine.
| Métrique | Valeur | Source |
|---|---|---|
| Utilisateurs du Galaxy S25 utilisant activement l’IA intégrée | Plus de 70% | Samsung, juillet 2025 |
| Objectif d’appareils Galaxy AI, fin 2025 | Plus de 400 millions (contre 200 millions en 2024) | Samsung, juillet 2025 |
| Utilisateurs déclarant que les fonctions d’IA font partie de leur routine quotidienne | 47% | Enquête Samsung / Symmetry Research, 2025 |
| Utilisateurs qui recourent aux commandes vocales aussi souvent qu’à la saisie | 45% | Enquête Samsung / Symmetry Research, 2025 |
| Consommateurs prévoyant d’acheter un smartphone GenAI d’ici un an | 59% | Enquête consommateurs Counterpoint Research, déc. 2024 |
| Consommateurs américains qui utilisent ou testent la GenAI | 53% | Deloitte Connected Consumer Survey 2025 (n=3 524) |
| Consommateurs américains inquiets pour la confidentialité et la sécurité des données | 70% | Deloitte Connected Consumer Survey 2025 |
| Consommateurs ayant une grande confiance dans la protection de leurs données | 27% | Deloitte Connected Consumer Survey 2025 |
Détails des enquêtes : communiqué de Deloitte sur le Connected Consumer 2025 et enquête de Counterpoint sur l’intention de renouvellement. L’enquête de Counterpoint date de décembre 2024, les données d’intention de renouvellement les plus récentes du cabinet.
Résumé : les petits modèles de langage embarqués en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Part des smartphones compatibles GenAI dans les livraisons, 2026 | 45% | Counterpoint Research, 2026 |
| Part des smartphones compatibles GenAI, 2027 | 52% | Counterpoint Research, 2026 |
| Volume de smartphones GenAI, 2026 | 559 millions | Gartner, 2025 |
| Dépenses des utilisateurs finaux en smartphones GenAI, 2026 | USD 393,3 milliards (+32%) | Gartner, 2025 |
| Livraisons de smartphones GenAI, 2028 | 912 millions | IDC, 2024 |
| Marché des petits modèles de langage, 2032 | USD 5,45 milliards (TCAC de 28,7%) | MarketsandMarkets, 2025 |
| Modèle embarqué d’Apple | Environ 3B paramètres à 2 bits par poids | Apple Machine Learning Research, 2025 |
| Réduction de la mémoire du cache KV d’Apple | 37,5% | Apple Tech Report, 2025 |
| Empreinte mémoire de Gemma 3n E2B | Dès 2 Go | Google Developers Blog, 2025 |
| Taille / réduction de mémoire de Llama 3.2 quantifié | 56% / 41% | Meta AI, 2024 |
| NPU du Snapdragon 8 Elite Gen 5 | Jusqu’à 220 tokens/s, 37% plus rapide | Qualcomm, 2025 |
| Débit d’un LLM 3B sur Dimensity 9500 | 2 fois plus rapide, puissance de crête inférieure de 56% | MediaTek, 2025 |
| Gemma 3n E2B sur NPU Dimensity 9500 | 1 600+ tokens/s en préremplissage, 28 tokens/s en décodage | Google LiteRT, 2025 |
| Gemini Nano sur Tensor G5 | 2,6 fois plus rapide, 2 fois plus efficace | Google, 2025 |
| Tailles de LLM de MLPerf Mobile v6.0 | 1B, 3B, 8B | MLCommons, 2026 |
| Prix de la mémoire mobile d’ici le T2 2026 | Environ quatre fois | Counterpoint Research, 2026 |
| Livraisons de smartphones 2026 | 1,08 milliard (-13,9%) | Counterpoint Research, 2026 |
| Utilisateurs du Galaxy S25 utilisant l’IA | Plus de 70% | Samsung, 2025 |
| Consommateurs américains inquiets pour leur vie privée | 70% | Deloitte, 2025 |
Méthodologie et sources
- Counterpoint Research, GenAI Smartphone Share to Rise to 45% of Global Shipments in 2026 (juin 2026), avec le détail par segment rapporté par Electronics For You
- Counterpoint Research, GenAI Smartphone Shipments to Exceed 400 Million in 2025 (mars 2025)
- Counterpoint Research, 2026 Smartphone Shipment Forecasts Revised Down as Memory Shortage Drives BoM Costs Up (décembre 2025)
- Counterpoint Research, Mobile Memory Cost Hikes (septembre 2026)
- Counterpoint Research, enquête consommateurs sur le renouvellement vers un smartphone GenAI (décembre 2024)
- EE Times Asia, article sur la révision des livraisons de mars 2026 de Counterpoint
- Gartner, communiqué sur les dépenses mondiales des utilisateurs finaux en smartphones GenAI (septembre 2025)
- IDC, Worldwide Generative AI Smartphone Shipments Forecast (juillet 2024) et IDC Worldwide Smartphone Forecast (2025)
- MarketsandMarkets, communiqué sur le marché des petits modèles de langage (avril 2025) ; Research and Markets, Small Language Model Market Report 2026 ; Grand View Research, Small Language Model Market Report
- Apple Machine Learning Research, Updates to Apple’s On-Device and Server Foundation Language Models (2025), Apple Intelligence Foundation Language Models Tech Report 2025 (arXiv), Introducing Apple’s On-Device and Server Foundation Models (2024) et Apple Newsroom, WWDC25
- Google Developers Blog, Introducing Gemma 3n (juin 2025) et Google, Pixel 10 Tensor G5 (août 2025)
- Résultats de Google LiteRT NeuroPilot sur Dimensity 9500 (décembre 2025), tels que rapportés par MarkTechPost
- Qualcomm, lancement du Snapdragon 8 Elite Gen 5 (septembre 2025) et analyse de Futurum Group
- MediaTek, communiqué de lancement du Dimensity 9500 (septembre 2025)
- Meta AI, Introducing Quantized Llama Models (octobre 2024)
- Microsoft, Phi Silica, un petit SLM embarqué mais puissant (décembre 2024)
- MLCommons, MLPerf Mobile v6.0 (juin 2026), page de benchmark MLPerf Mobile et benchmark des petits LLM de MLPerf Inference 5.1 (septembre 2025)
- arXiv 2505.15030, A Systematic Evaluation of On-Device LLMs: Quantization, Performance, and Resources
- Samsung Newsroom, Galaxy Tech Forum lors du Galaxy Unpacked 2025 (juillet 2025), chiffres d’enquête tels que rapportés par FoneArena
- Deloitte, communiqué sur l’enquête Connected Consumer 2025 (septembre 2025)
- Note sur les données : les volumes de smartphones GenAI de 2025 diffèrent selon les cabinets : IDC a indiqué plus de 370 millions (30% de part), Gartner 369,3 millions, et Counterpoint plus de 400 millions dans sa prévision de mars 2025, avant de réviser la part de 2025 à 36%. Pour 2026, les 45% de 1,08 milliard d’unités de Counterpoint impliquent environ 486 millions de téléphones GenAI (0,45 x 1,08 milliard), bien en deçà des 559 millions de Gartner, publiés en septembre 2025, avant que la pénurie de mémoire n’impose des réductions de livraisons ; attendez-vous à une révision de Gartner. L’estimation de la taille du marché des petits modèles de langage va de USD 0,93 milliard (MarketsandMarkets) à environ USD 9 à 11 milliards (Research and Markets, Grand View Research) pour 2025-2026, en raison de définitions différentes. Tous les chiffres de débit des NPU sont déclarés par les fabricants sur des modèles, des précisions et des longueurs de contexte différents ; ils ne sont donc pas directement comparables, et les résultats LLM par appareil de MLPerf Mobile v6.0 sont les données à surveiller. Le chiffre de 30 tokens/s d’Apple, les résultats de Llama quantifié de Meta, les chiffres de Phi Silica de Microsoft et la prévision 2028 d’IDC sont des données de 2024, les plus récentes publiées par chaque source. La page de recherche ML d’Apple recense 15 langues prises en charge, tandis que le rapport technique sur arXiv décrit 16 paramètres régionaux.
Dernière mise à jour : 3 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lorsque Counterpoint publiera ses suivis du T3 2026 sur les smartphones et les prix de la mémoire, et que MLCommons diffusera les premiers résultats publics de LLM de MLPerf Mobile v6.0.