Apple開放FastVLM視覺語言模型，可在搭載Apple Silicon芯片的Mac上體驗。該模型基於MLX框架構建，提供近乎即時的高分辨率圖像處理，視頻字幕處理速度提升85倍，體積縮小3倍以上，支持多平臺和瀏覽器直接使用。
蘋果MLX框架新增CUDA支持引發熱議，這標誌着蘋果對英偉達生態的妥協。面對英偉達在AI領域的統治地位和4萬億美元市值，蘋果調整策略以搶佔市場份額。MLX支持CUDA後，開發者可在英偉達GPU訓練模型後部署到蘋果設備，提升開發效率。此舉既迴應了2018年"禁卡風波"的爭議，也藉助CUDA統一內存機制實現跨平臺部署。蘋果最終選擇擁抱擁有500萬開發者的CUDA生態，展現其在AI領域的戰略轉向。
蘋果MLX框架新增CUDA支持，開發者現可在Apple Silicon設備開發後導出至CUDA環境運行。此舉大幅降低開發成本，小型團隊無需前期購置昂貴Nvidia硬件。由GitHub開發者主導的該項目已併入MLX主分支，雖不支持Mac直接連接Nvidia顯卡運行，但開發測試階段可完全在蘋果設備完成。CUDA環境下性能顯著優於Mac，結合Nvidia硬件在AI領域的優勢，爲開發者提供更強算力支持。這一更新將提升開發靈活性，降低准入門檻。
蘋果MLX框架新增CUDA支持，開發者可在Mac上開發AI應用後無縫遷移至英偉達平臺。這一突破解決了以往MLX依賴Metal框架導致部署受限的問題，由開發者@zcbenz耗時數月完成代碼整合。新功能實現"代碼導出兼容性"，讓開發者能以低成本Apple Silicon Mac開發，必要時再使用英偉達硬件部署，顯著降低開發門檻。此舉既保留Apple開發優勢，又拓展部署靈活性，有望推動MLX框架生態擴展。
基於 Apple MLX 框架的視頻字幕生成工具
在Apple Silicon上原生使用MLX框架與數據對話
Graph Neural Network (GNN)庫,為蘋果芯片量身打造
蘋果芯片高效靈活機器學習
catalystsec
本項目對MiniMax-M2模型進行4位量化處理，使用DWQ（動態權重量化）方法，藉助mlx-lm庫達成。該模型是MiniMax-M2的輕量化版本，在保持較好性能的同時大幅減小模型體積。
mlx-community
這是一個基於 Kimi-Linear-48B-A3B-Instruct 模型轉換的 6 位量化版本，專為 Apple MLX 框架優化。該模型保留了原模型強大的指令跟隨能力，同時通過量化技術顯著降低了存儲和計算需求，適合在 Apple 硬件上高效運行。
lmstudio-community
Qwen3-VL-2B-Thinking是由Qwen推出的視覺語言模型，基於2B參數規模，使用MLX進行8位量化，專門針對Apple Silicon芯片進行了優化。該模型支持圖像和文本的多模態理解與生成任務。
這是基於moonshotai/Kimi-Linear-48B-A3B-Instruct模型轉換的4位量化版本，專為Apple MLX框架優化，提供高效的文本生成能力
本項目是使用 mlx-lm 庫通過動態權重量化（DWQ）將 MiniMax-M2 模型量化為 3 位的成果。它能夠在資源受限的條件下，高效地進行文本生成任務，為相關應用提供了更輕量級的解決方案。
這是MiniMax-M2模型的MLX格式轉換版本，使用mlx-lm 0.28.1從原始模型轉換而來，支持8位量化和分組大小為32的優化配置，專為Apple Silicon設備優化運行。
inferencerlabs
MiniMax-M2 6.5bit MLX是基於MiniMax-M2模型的量化版本，在文本生成任務中表現出色，支持多種量化級別，其中q6.5bit量化在測試中能達到1.128的困惑度，與q8相當。
MiniMax-M2-5bit 是基於 MiniMaxAI/MiniMax-M2 模型轉換而來的 5 位量化版本，專為 MLX 框架優化。該模型是一個大型語言模型，支持文本生成任務，採用 MIT 許可證發佈。
這是MiniMax-M2模型的MLX格式8位量化版本，使用mlx-lm 0.28.4從原始模型轉換而來，專為Apple Silicon設備優化運行。
Granite-4.0-H-1B-8bit 是 IBM Granite 系列的小型語言模型，專門針對 Apple Silicon 芯片優化，採用 8 位量化技術，參數量為 1B，具有高效推理和低資源消耗的特點。
MiniMax-M2-6bit 是 MiniMaxAI/MiniMax-M2 模型的 MLX 格式轉換版本，使用 mlx-lm 0.28.4 進行轉換，支持在 Apple Silicon 設備上高效運行。
MiniMax-M2-4bit 是使用 mlx-lm 工具從 MiniMaxAI/MiniMax-M2 轉換而來的 4 位量化版本，專門針對 Apple Silicon 芯片優化，提供高效的文本生成能力。
DeepSeek-OCR-8bit是基於DeepSeek-OCR模型轉換的MLX格式版本，專門針對蘋果芯片優化的視覺語言模型，支持多語言OCR識別和圖像文本理解任務。
quocnguyen
該模型是基於DeepSeek-OCR轉換的MLX格式視覺語言模型，專門用於光學字符識別（OCR）任務，支持多語言文本識別和圖像理解
這是一個基於DeepSeek-OCR模型轉換的MLX格式模型，支持多語言圖像文本識別和文本生成功能，專門針對OCR任務優化。
nightmedia
這是Qwen3-Next-80B-A3B-Instruct模型的MLX格式轉換版本，專為在Apple Silicon設備上高效運行而優化。該模型是一個800億參數的大型語言模型，支持文本生成任務，具有強大的對話和推理能力。
Wwayu
這是一個基於GLM-4.6架構的混合專家模型，使用REAP方法對專家進行了40%的均勻剪枝，參數量為218B，並轉換為MLX格式的3位量化版本，適用於蘋果芯片設備高效運行。
這是一個基於Qwen3-VL-32B-Thinking模型轉換的4位量化版本，專門針對MLX框架優化。該模型是一個32B參數規模的多模態視覺語言模型，具備思維鏈推理能力，能夠同時處理圖像和文本輸入，生成高質量的文本響應。
Qwen3-VL-2B-Instruct 是一款高效的圖像文本轉文本模型，由 Qwen 團隊開發。該模型經過 MLX 8位量化優化，特別適用於蘋果硅芯片設備，能夠處理視覺語言任務並提供高效的解決方案。
manasmisra
該模型是基於GLM-4.5-Air使用REAP方法進行25%均勻剪枝後的專家混合模型，已轉換為MLX格式的4位量化版本，適用於蘋果芯片設備的高效推理。
一個基於MLX Whisper的音頻轉錄MCP服務，支持本地文件、Base64音頻和YouTube視頻轉錄，專為蘋果M系列芯片優化。
項目摘要
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
