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
Alibaba
$6
輸入tokens/百萬
$24
輸出tokens/百萬
256
上下文長度
$1.6
$4
128
$0.8
$0.2
Iflytek
$8
-
8
$2.4
$9.6
32
Baidu
ExaltedSlayer
Gemma 3是谷歌推出的輕量級開源多模態模型，本版本為12B參數的指令調優量化感知訓練模型，已轉換為MLX框架的MXFP4格式，支持文本和圖像輸入並生成文本輸出，具有128K上下文窗口和140+語言支持。
kyr0
這是一個專為蘋果硅芯片設備優化的自動語音識別模型，通過轉換為MLX框架並量化為FP8格式，實現在蘋果設備上的快速端上語音轉錄。該模型針對逐字精度進行微調，特別適用於需要高精度轉錄的場景。
mlx-community
本模型是基於allenai/Olmo-3-7B-Instruct轉換的8位量化版本，專門為Apple MLX框架優化。它是一個70億參數的大型語言模型，支持指令跟隨和對話任務。
VibeThinker-1.5B的4位量化版本，基於MLX框架針對蘋果芯片優化，是一個擁有15億參數的密集語言模型，專門用於數學推理和算法編碼問題
inferencerlabs
Kimi - K2 - Thinking 3.825bit MLX 是一款用於文本生成的量化模型，通過不同的量化方式在測試中取得不同的困惑度表現，其中q3.825bit量化能達到1.256的困惑度。
Leohan
基於MLX庫開發的文本生成模型，專注於自然語言處理任務，為開發者提供高效的文本生成解決方案。
基於MLX庫實現的文本生成模型，支持多種量化方式推理，具備分佈式計算能力，可在蘋果硬件環境下高效運行。
Kimi-K2-Thinking 是由 mlx-community 從 moonshotai 原版模型轉換而來的 MLX 格式大語言模型，採用 mlx-lm 0.28.4 版本進行轉換，保留了原模型的思維鏈推理能力。
Marvis-AI
這是一個基於MLX框架優化的文本轉語音模型，從原始模型Marvis-AI/marvis-tts-100m-v0.2轉換而來，採用6位量化技術，專門為Apple Silicon硬件優化，提供高效的語音合成能力。
Qwen3-Coder-480B-A35B-Instruct是一個4800億參數的大型代碼生成模型，支持8.5bit量化，基於MLX框架優化。該模型專門針對代碼生成任務設計，在配備足夠內存的設備上能夠高效運行。
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。
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。
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。
Gemma 3 27B IT QAT的MLX MXFP4量化版本，是由Google開發的輕量級開源多模態模型。該模型能夠同時處理文本和圖像輸入並生成文本輸出，擁有128K大上下文窗口，支持超過140種語言，適用於多種文本生成和圖像理解任務。
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。
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)
