Apple silicon 跑 AI，一定要用 MLX 嗎？
這個說法為什麼常出現？
Section titled “這個說法為什麼常出現？”MLX 是 Apple 為機器學習研究設計的陣列框架，針對 Apple silicon，並利用其統一記憶體架構。MLX-LM、MLX-VLM 等工具也讓許多文字與 VLM（視覺語言模型）更容易在 Mac 上執行。
如果你要使用的模型已有可靠的 MLX 版本與工具支援，MLX 當然很值得先測。
確認你要解決哪一層問題
Section titled “確認你要解決哪一層問題”- 想直接使用 macOS 已經提供的 Siri、聽寫、Apple Intelligence 或照片功能，可以先讀〈Mac 內建哪些 AI 能力？〉。
- 想在原生 App 中使用 Xcode、系統 AI API 或 Apple 提供的模型，可以先讀〈Apple 開發者 AI 工具與 API〉。
- 想執行自己下載、訓練或轉換的模型，才需要進一步比較 Core ML、Core AI、MLX 與第三方 Runtime；完整定位整理在〈Apple AI 與 ML 框架〉。
「Apple silicon 跑 AI 是否應該使用 MLX」主要是第三層的選擇問題。前兩層往往已由系統功能或 API 決定執行方式，使用者不需要自己挑選 MLX。
還有哪些路線？
Section titled “還有哪些路線？”- llama.cpp／GGUF： 在 macOS 可使用 Metal，也能在許多其他平台執行。
- Core ML： 適合整合進 Apple 平台 App，實際可用的運算單元依模型轉換與系統支援而定。
- Core AI： 從 macOS 27 開始，App 開發者可以使用 Apple 新的 Core AI framework，將自行選擇的模型轉換為
.aimodel，再透過 Swift API 載入與執行。Core AI 會依模型與裝置使用 CPU、GPU 或 Apple Neural Engine，並提供模型最佳化、編譯、除錯與效能分析工具；整合及執行 Core AI 模型需要 macOS 27 與 Xcode 27 以上版本。 - Apple Foundation Models framework： 使用系統提供的裝置端模型與 API，目的和自行下載權重不同。
- 其他專案自己的 Runtime： 語音、圖片生成或專用模型可能各有最成熟的執行工具。
MLX 偏向研究與模型實驗；Core AI 則提供把自選模型部署進 Apple 平台 App 的原生路徑。兩者服務的工作流程不同，仍要依使用目的選擇。
框架名稱不能取代相容性測試。同一模型在 MLX、Core AI 與 GGUF 路線上，可能有不同的量化、功能支援、速度與輸出差異。
應該怎麼選？
Section titled “應該怎麼選？”依序確認：
- 必要模型與功能在哪個 Runtime 已被支援？
- 官方或可信發布者提供哪一種模型檔案？
- 你需要命令列、桌面介面，還是 App 內整合？
- Context Window、結構化輸出與多模態功能是否可用？
- 在你的 Mac 上，哪個組合通過品質、速度與記憶體測試？
選擇 MLX 應該是測試後的工程決定，不是因為硬體品牌而先下的結論。
閱讀後自我確認
Section titled “閱讀後自我確認”試著回答以下問題，來確認是否已學會。不確定答案的話，再回到對應段落複習。打勾狀態是方便你在這個頁面一一確認用，不會被儲存。