API de Swift para MLX, el framework de arrays para machine learning en Apple silicon, que permite a los desarrolladores de Swift ejecutar investigación y experimentos de ML.
2,1 mil375C++MITActualizado hace 15 horas
- Estrellas
- 28,887
- Forks
- 2,366
- Issues abiertos
- 137
- Último commit
- hace 9 horas
¿Qué es?
MLX es un framework de arrays para machine learning en Apple silicon, desarrollado por el equipo de investigación en machine learning de Apple. Su API de Python sigue de cerca a NumPy, y los paquetes de nivel superior, como mlx.nn y mlx.optimizers, siguen las API de estilo PyTorch para crear modelos. También están disponibles las API para C++, C y Swift.
MLX usa computación perezosa, por lo que los arrays solo se materializan cuando es necesario, y crea grafos de computación dinámicamente, de modo que cambiar las formas de los argumentos no provoca recompilaciones lentas. Admite transformaciones de funciones componibles para diferenciación automática, vectorización y optimización de grafos.
Un aspecto clave del diseño es la memoria unificada: los arrays residen en memoria compartida y las operaciones pueden ejecutarse en la CPU o la GPU sin copiar datos entre dispositivos. El proyecto también incluye ejemplos de generación de texto con LLaMA, ajuste fino con LoRA, Stable Diffusion y reconocimiento de voz con Whisper.
Funciones clave
- 01API de Python que sigue de cerca a NumPy, con módulos nn y optimizers basados en PyTorch
- 02API para C++, C y Swift, además de Python
- 03Computación perezosa y grafos construidos dinámicamente
- 04Transformaciones componibles para diferenciación automática y vectorización
- 05Modelo de memoria unificada que permite ejecutar operaciones en la CPU o la GPU sin transferir datos
Casos de uso
- Investigar y crear prototipos de modelos en una Mac con Apple silicon
- Ejecutar generación de texto con LLM o ajuste fino con LoRA en hardware de Apple
- Ejecutar Stable Diffusion o reconocimiento de voz con Whisper localmente en macOS
- Desarrollar código numérico o de ML en C++ o Swift con una interfaz similar a NumPy
Inicio rápido
- 1
Instalar MLX en macOS con pip
pip install mlx - 2
Leer la guía de inicio rápido en la documentación
Antes de usarlo
- Está dirigido a Apple silicon; la principal opción de instalación del README es para macOS.
- También se mencionan paquetes para Linux con CUDA y paquetes solo para CPU, por lo que la compatibilidad con cada plataforma varía según el backend.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es mlx?
- Framework de arrays para machine learning en Apple silicon, con una API de Python similar a NumPy y bindings para C++, C y Swift. MLX es un framework de arrays para machine learning en Apple silicon, desarrollado por el equipo de investigación en machine learning de Apple. Su API de Python sigue de cerca a NumPy, y los paquetes de nivel superior, como mlx.nn y mlx.optimizers, siguen las API de estilo PyTorch para crear modelos. También están disponibles las API para C++, C y Swift.
- ¿mlx es gratuito? ¿Qué licencia tiene?
- mlx es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿mlx sigue mantenido?
- Mantenimiento activo. El último commit de mlx fue el 22 oct 2026.
- ¿Para qué puedo usar mlx?
- Investigar y crear prototipos de modelos en una Mac con Apple silicon Ejecutar generación de texto con LLM o ajuste fino con LoRA en hardware de Apple Ejecutar Stable Diffusion o reconocimiento de voz con Whisper localmente en macOS Desarrollar código numérico o de ML en C++ o Swift con una interfaz similar a NumPy
- ¿Cómo se instala mlx?
- Instalar MLX en macOS con pip: pip install mlx Leer la guía de inicio rápido en la documentación
- ¿Dónde consigo mlx?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/ml-explore/mlx
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Framework de deep learning para Python que ofrece operaciones con tensores aceleradas por GPU y redes neuronales dinámicas basadas en autograd.
105 mil32,5 milPythonOtherActualizado hace 2 horas
Una biblioteca de Python que convierte código de machine learning entre frameworks como PyTorch, TensorFlow, JAX y NumPy mediante ivy.transpile.
14,2 mil5,4 milPythonOtherActualizado hace 18 horas
Un framework abierto de compilación de machine learning que permite personalizar pipelines de compilación en Python y desplegar modelos en distintos tipos de hardware.
13,9 mil4 milPythonApache-2.0Actualizado ayer
Curso de ML basado en la práctica: crea desde cero un framework de deep learning con NumPy y resuelve más de 350 ejercicios de código en el navegador, evaluados con Pyodide.
64468PythonOtherActualizado hace 2 horas
Un framework minimalista de deep learning con una API de tensores similar a PyTorch, autograd, un compilador y compatibilidad con numerosos aceleradores.
33,8 mil4,4 milPythonMITActualizado hace 7 horas