RTX 5080 24 Go : la GeForce à attendre pour le jeu et l’IA locale ?

Article mis à jour le 22 octobre 2026.

Une carte graphique récente peut disposer d’une puissance de calcul considérable et se retrouver bloquée par un problème beaucoup plus simple : elle n’a pas assez de mémoire pour ce qu’on lui demande. Pour un jeu, cela peut imposer de réduire certains réglages. Pour une IA locale, cela peut décider si un modèle tient entièrement sur le GPU ou s’il faut répartir le travail avec le reste du PC.

C’est ce qui rend la rumeur d’une GeForce RTX 5080 équipée de 24 Go de GDDR7 particulièrement intéressante. Par rapport aux 16 Go du modèle actuel, le gain serait de 50 % de capacité mémoire. Mais quelle serait la conséquence réelle ? Une carte plus rapide dans tous les jeux ? Une alternative aux anciennes RTX 3090 pour l’IA ? Un simple changement de mémoire vendu au prix fort ?

Au 22 octobre 2026, cette RTX 5080 24 Go n’est pas officiellement annoncée. La fiche NVIDIA décrit toujours une RTX 5080 de 16 Go. Le projet à 24 Go est rapporté par BenchLife : il faut donc examiner à la fois la solidité de cette information et ce qu’une telle configuration permettrait techniquement. [1][1][2]2

Ce que l’on sait vraiment sur la RTX 5080 24 Go

Dans un article daté du 10 octobre 2026, le média taïwanais BenchLife évoque une RTX 5080 de 24 Go prévue pour le premier trimestre 2027, qui aurait vocation à remplacer la version de 16 Go. Selon cette même source, les partenaires fabricants de cartes auraient reçu une information orale, sans disposer alors des documents de développement correspondants. [2]2

Cette précision compte : un calendrier rapporté par une source industrielle ne constitue ni une annonce commerciale ni une date de disponibilité garantie.

Point examiné	État des informations au 22 octobre 2026
RTX 5080 actuelle de 16 Go	Produit officiel, documenté par NVIDIA
Projet de RTX 5080 de 24 Go	Information rapportée par BenchLife
Premier trimestre 2027	Fenêtre de lancement évoquée par cette source
Appellation définitive, dont un éventuel suffixe « SUPER »	Non confirmée
GPU exact, fréquences et puissance électrique de la version 24 Go	Non confirmés
Prix et disponibilité en France	Non annoncés
Performances de la carte 24 Go	Aucun résultat vérifié présenté dans cet article

La reprise d’une information par de nombreux sites peut lui donner une grande visibilité. Elle ne transforme pas ces reprises en autant de confirmations indépendantes. Pour évaluer cette rumeur, il faut conserver le lien vers sa source d’origine.

Pourquoi 24 Go sont techniquement plausibles

Le passage à 24 Go ne nécessite pas obligatoirement une augmentation de la largeur du bus mémoire. Il peut aussi venir de puces mémoire de plus grande capacité.

Samsung a annoncé dès octobre 2024 le développement de GDDR7 de 24 gigabits par puce, soit 3 gigaoctets. La différence entre les unités est essentielle : 24 Gb ne signifie pas 24 Go. Il faut diviser les gigabits par huit pour obtenir des gigaoctets. [3]3

Une configuration à huit puces permet donc de comprendre le principe :

Exemple de configuration mémoire	Capacité totale
8 puces de 2 Go	16 Go
8 puces de 3 Go	24 Go

Le calcul explique une possibilité technique ; il ne révèle pas le circuit imprimé d’une carte encore non annoncée. Le contrôleur mémoire, le firmware, les fréquences, l’alimentation et la qualification doivent aussi être adaptés à la configuration retenue.

L’intérêt de cette approche est évident : augmenter la capacité sans devoir nécessairement développer un GPU doté de davantage de contrôleurs mémoire. En revanche, cela ne permet pas de déduire le coût final, ni de garantir que le prix public resterait identique.

Davantage de mémoire ne signifie pas automatiquement davantage de bande passante

Il faut distinguer trois caractéristiques souvent mélangées :

La capacité, qui détermine la quantité de données pouvant rester en mémoire locale.
La bande passante, qui détermine le débit de transfert entre le GPU et cette mémoire.
La puissance de calcul, qui détermine la vitesse à laquelle le GPU exécute les opérations demandées.

Le livre blanc NVIDIA donne pour la RTX 5080 actuelle une mémoire à 30 Gbit/s par broche, associée à un bus de 256 bits, pour une bande passante théorique de 960 Go/s. [4]4

Le calcul est le suivant :

Bande passante = débit par broche × largeur du bus ÷ 8
               = 30 × 256 ÷ 8
               = 960 Go/s

Si une version 24 Go conservait ce bus et ce débit, sa bande passante resterait identique. Elle pourrait garder davantage de données à proximité du GPU, mais ne les transporterait pas automatiquement plus vite.

La vitesse réelle de la mémoire d’une éventuelle version 24 Go reste à confirmer. Il serait notamment incorrect de lui attribuer les débits maximaux annoncés pour certaines puces GDDR7 au seul motif qu’elles utilisent le même standard.

Le GPU lui-même pourrait-il être beaucoup plus puissant ?

La RTX 5080 actuelle repose sur le GB203. NVIDIA documente une puce complète de 84 SM, soit 10 752 cœurs CUDA, avec 336 Tensor Cores et 84 RT Cores. [4]4

Ce détail limite une explication trop facile : si NVIDIA conservait ce même GB203 entièrement activé, il ne suffirait pas de « débloquer quelques unités » pour obtenir une importante hausse du nombre de cœurs. Une amélioration pourrait venir d’autres paramètres, par exemple les fréquences, mais sa portée dépendrait de la conception finale.

Un GPU différent ouvrirait d’autres possibilités. La quantité de VRAM ne suffit toutefois pas à identifier la puce utilisée. Affirmer qu’une RTX 5080 de 24 Go serait nécessairement une petite RTX 5090, ou lui attribuer une configuration précise de GB202, dépasserait les informations disponibles.

Pour le moment, l’hypothèse la plus utile à analyser est donc celle d’une carte dont l’intérêt principal serait la capacité supplémentaire, sans lui prêter un bond de puissance qui n’a pas été démontré.

En jeu : ce que les 8 Go supplémentaires changeraient

La VRAM contient notamment des textures, des données de géométrie et des ressources nécessaires au rendu. La documentation d’Unreal Engine illustre cette gestion avec un budget mémoire réservé au streaming des textures, au sein duquel le moteur ajuste les données chargées. [5]5

Les conséquences d’un passage de 16 à 24 Go dépendraient donc surtout du facteur qui limite déjà le jeu.

Situation	Effet possible d’une capacité supérieure
Le jeu tient confortablement dans la mémoire disponible	Gain potentiellement faible si le GPU conserve les mêmes capacités de calcul
Les textures ou les mods dépassent le budget mémoire	Possibilité de conserver davantage de ressources sans réduire autant leur qualité
Le jeu est limité par la puissance de calcul	Les 8 Go supplémentaires ne résolvent pas à eux seuls cette limite
Le processeur limite le nombre d’images par seconde	Davantage de VRAM ne supprime pas cette limite

Le bénéfice peut concerner la régularité de l’affichage ou le niveau de détail conservé, plutôt que la seule moyenne des images par seconde. Il faudrait vérifier ces effets jeu par jeu, avec les mêmes réglages et une mesure des temps d’image.

Il faut également distinguer la mémoire réservée par un logiciel de celle dont il a réellement besoin pour maintenir son comportement. Voir un compteur d’utilisation grimper ne prouve pas, à lui seul, qu’une carte disposant de moins de mémoire serait inutilisable.

Une RTX 5080 de 24 Go pourrait donc être intéressante pour les configurations exigeantes, notamment avec des textures lourdes ou des mods. Cela ne permet pas d’annoncer un pourcentage de performances supplémentaire, ni de décréter que tous les jeux exigent déjà plus de 16 Go.

IA locale : le domaine où 24 Go pourraient changer le plus de choses

Pour les grands modèles de langage, la mémoire peut imposer une frontière très concrète : le modèle et son espace de travail tiennent-ils entièrement sur le GPU ?

La quantification réduit l’espace nécessaire aux poids en utilisant moins de bits pour les représenter. Les outils comme bitsandbytes proposent notamment des chargements en 8 et en 4 bits. Tous les tenseurs ne sont cependant pas forcément stockés dans le même format. [6]6

Pour comprendre les ordres de grandeur, on peut effectuer un calcul simplifié :

Mémoire brute des poids = nombre de paramètres × nombre de bits ÷ 8

Voici des calculs théoriques, exprimés en gigaoctets décimaux. Ils excluent les métadonnées de quantification, le cache de contexte et la mémoire de travail.

Nombre de paramètres	Poids à 16 bits	Poids à 8 bits	Poids à 4 bits
8 milliards	16 Go	8 Go	4 Go
14 milliards	28 Go	14 Go	7 Go
32 milliards	64 Go	32 Go	16 Go
70 milliards	140 Go	70 Go	35 Go

Ce tableau ne donne pas la VRAM totale requise par un modèle réel. Un format quantifié peut ajouter des échelles, des données de regroupement et des tenseurs conservés dans une précision supérieure. Il faut aussi réserver de la place aux opérations de calcul et à l’environnement graphique du PC.

Attention également aux unités : les logiciels peuvent afficher des valeurs en Gio ou en Mio, alors que le calcul ci-dessus utilise des Go décimaux. La comparaison doit être effectuée avec des unités cohérentes.

Pourquoi la classe des modèles de 30 à 32 milliards de paramètres est intéressante

Dans l’exemple théorique, un modèle de 32 milliards de paramètres quantifié à 4 bits représente déjà 16 Go pour ses seuls poids. Une carte de cette capacité peut se retrouver à l’étroit lorsque l’on ajoute les autres besoins, selon le modèle, son format et le logiciel utilisé.

Passer à 24 Go donnerait davantage de marge pour ces modèles et leur contexte. Cela pourrait permettre d’éviter certains compromis : réduire encore la précision, raccourcir la conversation ou déplacer une partie du travail vers le CPU.

À l’inverse, un modèle de 70 milliards de paramètres à 4 bits dépasse déjà cette capacité dans le calcul brut. 24 Go ne suffiraient donc pas à le conserver intégralement en VRAM dans ce scénario, même si des logiciels permettent d’en exécuter une partie depuis la mémoire système.

Pour un modèle à mélange d’experts, ou MoE, le nombre de paramètres activés par token renseigne sur le calcul effectué. Il ne faut pas le confondre avec le nombre total de paramètres à stocker : la place nécessaire dépend des experts conservés sur le GPU et de la stratégie de chargement. [12]12

Le cache de contexte peut absorber une partie de la mémoire gagnée

Les poids ne constituent qu’une partie du problème. Les modèles autorégressifs utilisent aussi un cache des clés et des valeurs, généralement appelé KV cache, pour réutiliser des informations déjà calculées. Sa taille peut devenir importante avec de longues conversations ou plusieurs requêtes simultanées. Hugging Face documente plusieurs stratégies pour le gérer, dont le déplacement vers le CPU et sa quantification. [7]7

Prenons un exemple volontairement simplifié, pour une seule séquence et un cache non quantifié :

32 couches d’attention ;
8 têtes de clés et valeurs par couche ;
128 éléments par tête ;
2 octets par élément, en FP16 ;
deux ensembles à stocker : les clés et les valeurs.

Cache par token = 32 × 8 × 128 × 2 × 2
                = 131 072 octets
                = 128 Kio

Dans cet exemple, 8 192 tokens représentent 1 Gio de cache, et 32 768 tokens en représentent 4 Gio. Ce sont les résultats du calcul ci-dessus, pas des mesures attribuées à un modèle commercial. D’autres architectures, fenêtres d’attention ou formats de cache donneraient d’autres résultats.

On comprend ainsi pourquoi disposer de davantage de VRAM ne sert pas uniquement à charger un modèle plus gros : cela peut aussi permettre de travailler avec un contexte plus long ou davantage de requêtes, à condition que le logiciel le prenne en charge.

Moins de transferts, plutôt qu’une accélération magique

Hugging Face explique que déplacer le KV cache vers le CPU économise de la mémoire GPU, au prix de transferts et d’un effet possible sur le débit de génération. [7]7

Une carte de plus grande capacité peut éviter ce compromis dans certaines configurations. Le gain observé pourrait alors être important si la configuration précédente passait beaucoup de temps à déplacer les données. Mais il dépendrait du modèle, du moteur et du matériel : aucun chiffre de tokens par seconde ne peut être déduit de la seule mention « 24 Go ».

Blackwell et FP4 : un avantage qui dépend du logiciel

Les GeForce RTX 50 disposent de Tensor Cores capables de calculs en FP4. NVIDIA présente leur utilisation dans un pipeline TensorRT pour les modèles de génération d’images FLUX. Ce fonctionnement suppose des modèles préparés pour ce format et une chaîne logicielle adaptée. [8]8

Charger un fichier quantifié sur 4 bits ne garantit pas l’utilisation des instructions FP4 natives. Le format des poids, la précision des calculs et les fonctions réellement utilisées par le moteur sont trois choses différentes.

Le même article technique NVIDIA fournit un exemple utile de l’effet combiné du format et de la gestion mémoire :

Configuration FLUX présentée par NVIDIA	Mémoire indiquée
FP16, mode par défaut	39,3 Go
FP4, mode par défaut	21,67 Go
FP4, mode à faible consommation de VRAM	11,1 Go

Ces valeurs correspondent au pipeline décrit par NVIDIA, pas à un test de RTX 5080 24 Go, ni à une exigence universelle de FLUX. Elles montrent qu’un changement de format et de stratégie peut modifier fortement le besoin mémoire. [8]8

Pour la génération d’images, la question serait donc de savoir si les 8 Go supplémentaires permettent de conserver plus de composants en mémoire, d’augmenter les dimensions traitées ou de simplifier le workflow. Le résultat doit être vérifié avec les outils réellement utilisés, plutôt que déduit d’un nombre théorique de TOPS.

Une remplaçante de la RTX 3090 pour l’IA locale ?

La RTX 3090 dispose déjà de 24 Go de GDDR6X. Cette capacité explique une partie de son intérêt pour les configurations d’IA locale : elle laisse de la place à des charges de travail qui dépassent les capacités des cartes de 16 Go. NVIDIA documente aussi une puissance graphique de référence de 350 W pour ce modèle. [9]9

Une RTX 5080 de 24 Go pourrait remettre une capacité comparable dans une GeForce d’architecture plus récente. Mais la capacité identique ne permettrait pas de conclure à une vitesse identique ou à un gain déterminé.

Pour un utilisateur déjà équipé d’une 3090, les bonnes questions seraient :

Le modèle utilisé profite-t-il réellement des capacités de calcul de Blackwell ?
Le moteur exploite-t-il les formats de basse précision adaptés ?
Le débit de génération et le traitement des prompts progressent-ils suffisamment ?
Quel est le coût de remplacement, après prise en compte de la revente éventuelle ?
Quelle est la consommation mesurée pour accomplir la même tâche ?

La nouvelle carte devrait justifier son prix par des résultats sur des usages concrets. Elle ne donnerait pas davantage de capacité à celui qui possède déjà 24 Go ; son intérêt dépendrait surtout de la vitesse, des fonctionnalités et des conditions d’utilisation.

Non, la disparition de la RTX 5090 n’est pas un fait acquis

La rumeur de RTX 5080 24 Go a circulé avec des informations évoquant une réallocation de puces vers les produits professionnels et un arrêt de la RTX 5090. Il faut intégrer la mise à jour intervenue ensuite.

Le 16 octobre 2026, interrogé à Taïwan, Jeff Fisher, dirigeant de l’activité informatique personnelle de NVIDIA, a démenti l’arrêt de la RTX 5090 et indiqué que les livraisons continueraient. L’agence CNA rapporte directement ses déclarations. [10]10

Présenter la 5080 24 Go comme le remplacement certain d’une 5090 officiellement abandonnée serait donc trompeur. Des tensions d’approvisionnement ou des changements d’allocation ne suffisent pas à établir la fin commerciale d’un produit.

Ce démenti ne tranche pas, à lui seul, l’existence du projet de 5080 24 Go. Les deux questions doivent être examinées séparément.

Prix et date : les inconnues qui détermineront son intérêt

La RTX 5080 actuelle a été lancée avec un tarif américain de référence de 999 dollars, annoncé par NVIDIA pour sa disponibilité initiale du 30 janvier 2025. Il s’agit d’un prix de lancement historique, pas d’une indication des tarifs français actuels ou de ceux d’un futur modèle. [11]11

Aucun prix officiel n’est disponible pour la version 24 Go. Sans ce chiffre, il est impossible de calculer sérieusement son rapport entre coût, capacité et performances.

Une carte plus confortable pour l’IA peut perdre une grande partie de son intérêt si elle est vendue trop cher. Il faut aussi intégrer la garantie, le refroidissement, le bruit et la consommation, plutôt que comparer uniquement le nombre de gigaoctets.

Le premier trimestre 2027 doit, lui aussi, rester une fenêtre évoquée par une source, pas une promesse. Attendre un produit qui n’a pas encore de fiche officielle peut être raisonnable pour un projet flexible ; cela devient plus contraignant lorsqu’un équipement est nécessaire immédiatement.

Acheter maintenant ou attendre ?

La réponse dépend surtout de ce qui limite déjà la machine.

Votre situation	Décision à envisager
Votre carte convient à vos jeux et logiciels	Attendre des informations officielles coûte peu en usage immédiat
Votre IA dépasse régulièrement la VRAM disponible	Comparer les solutions de plus grande capacité déjà disponibles et surveiller ce projet
Vous possédez déjà une RTX 3090 de 24 Go	Attendre des mesures sur vos modèles avant d’envisager un remplacement
Vous devez équiper un poste sans délai	Choisir parmi les produits réellement disponibles, avec des essais et une garantie connus
Vous cherchez surtout plus d’images par seconde	Comparer des tests en jeu : la capacité mémoire ne suffit pas à classer les cartes

Pour l’IA locale, commencer par mesurer son propre usage est plus utile que d’acheter au seul nombre de gigaoctets. La taille du modèle, la longueur de contexte et le logiciel employé déterminent ce que la mémoire supplémentaire apporterait.

Si 16 Go suffisent déjà à votre usage, une carte de 24 Go ne constitue pas automatiquement une meilleure dépense. S’ils imposent des compromis récurrents, cette configuration mérite en revanche une attention particulière.

Les tests qui permettraient de juger cette carte

Si elle est annoncée, une évaluation sérieuse devrait séparer les usages et documenter les conditions :

Jeux : moyenne des images par seconde, temps d’image et comportement des textures, avec des réglages identiques.
LLM : modèle et quantification exacts, traitement du prompt, débit de génération, contexte et quantité de mémoire utilisée.
Génération d’images : modèle, moteur, précision, dimensions et nombre d’itérations identiques.
Énergie : consommation mesurée et temps nécessaire pour effectuer la même tâche.

Il faudrait en particulier comparer un scénario qui tient déjà dans 16 Go avec un autre qui dépasse cette capacité. Cela permettrait de distinguer le gain de calcul du bénéfice apporté par l’absence de débordement mémoire.

Mon avis : une évolution potentiellement importante, surtout pour l’IA

L’intérêt d’une RTX 5080 de 24 Go ne serait pas nécessairement de transformer tous les scores de performances. Il serait de déplacer la limite des usages accessibles sur une seule carte graphique.

Pour le jeu, le bénéfice dépendrait des ressources chargées et de la puissance de calcul nécessaire. Pour l’IA locale, il pourrait être plus immédiat : conserver un modèle et davantage de contexte en VRAM, limiter les transferts ou rendre un workflow moins contraignant.

C’est une configuration à surveiller, mais son prix et ses caractéristiques finales décideront de sa valeur. Une hausse de 50 % de la capacité mémoire ne serait ni une promesse de 50 % de vitesse supplémentaire, ni une raison suffisante pour remplacer une carte qui répond déjà au besoin.

Et vous, quel est aujourd’hui votre vrai blocage : la puissance de votre GPU, son prix, ou une quantité de VRAM devenue trop juste pour vos usages ?

Sources et références

Les annonces de produits et les caractéristiques matérielles sont reliées aux documents des fabricants. Les rumeurs sont attribuées à leur source, et les calculs théoriques sont présentés comme tels.

NVIDIA — fiche officielle de la GeForce RTX 5080. Configuration de référence de 16 Go GDDR7 et caractéristiques du produit commercialisé. Consulter la fiche.
BenchLife — article du 10 octobre 2026. Source du projet de RTX 5080 24 Go, de sa fenêtre de lancement et de la situation rapportée chez les partenaires. Lire l’article original en chinois.
Samsung — communiqué du 17 octobre 2024. Développement de puces GDDR7 de 24 gigabits, soit 3 gigaoctets. Lire le communiqué.
NVIDIA — livre blanc RTX Blackwell GPU Architecture, version 1.1. Architecture GB203, unités de calcul et sous-système mémoire de la RTX 5080 actuelle, notamment l’annexe B. Ouvrir le PDF.
Epic Games — documentation du streaming des textures d’Unreal Engine. Gestion du budget mémoire des textures et des ressources associées. Consulter la documentation.
Hugging Face — documentation bitsandbytes. Quantification en 8 et 4 bits, formats et précisions de calcul. Consulter la documentation.
Hugging Face — stratégies de cache dans Transformers. KV cache, déport vers le CPU et compromis entre mémoire et débit. Consulter la documentation.
NVIDIA Developer — article technique du 14 mai 2025 sur TensorRT et FP4. Pipeline FLUX, conditions d’utilisation du FP4 et exemples de consommation mémoire. Lire l’article technique.
NVIDIA — caractéristiques officielles des RTX 3090 et 3090 Ti. Capacité mémoire et caractéristiques de la génération Ampere. Consulter les fiches.
CNA — reportage du 16 octobre 2026. Déclarations de Jeff Fisher démentant l’arrêt de la RTX 5090. Lire le reportage original en chinois.
NVIDIA Newsroom — annonce du 6 janvier 2025. Prix américain de lancement et date de disponibilité initiale de la RTX 5080. Lire le communiqué.
Hugging Face — Mixture of Experts Explained. Différence entre paramètres actifs, paramètres totaux et mémoire nécessaire aux modèles MoE. Lire l’explication technique.