克雷西 发自 凹非寺
量子位 | 公众号 QbitAI

Mac用户，终于不用羡慕N卡玩家有专属大模型Chat with RTX了！

大神推出的新框架，让苹果电脑也跑起了本地大模型，而且只要两行代码就能完成部署。

仿照Chat with RTX，框架的名字就叫Chat with MLX（MLX是苹果机器学习框架），由一名OpenAI前员工打造。

黄院士的框架里有的功能，例如本地文档总结、YouTube视频分析，Chat with MLX里也都有。

而且包括中文在内共有11种可用语言，自带支持的开源大模型多达七种。

体验过的用户表示，虽然计算量负担对苹果设备可能大了点，但是新手也很容易上手，Chat with MLX真的是个好东西。

那么，Chat with MLX的实际效果究竟怎么样呢？

用MacBook部署本地大模型

Chat with MLX已经集成到了pip命令中，所以在有pip的条件下，只需要一行代码就能完成安装：

pip install chat-with-mlx

安装完成后，在终端中输入chat-with-mlx并按回车，就会自动完成初始化并弹出网页（第一次启动及下载模型时需要连接到Hugging Face服务器）。

△Chat with MLX实测效果

将这个页面向下翻，选择想用的模型和语言后点击Load Model，系统就会自动下载模型信息并加载。

注意如果中途需要更换模型，需要先将前面的模型Unload再选择新模型。

其他模型只要Hugging Face上有并且兼容MLX框架，也可以手工添加，方法可以到GitHub页中了解。

如果要使用自有数据，需要先选择类型（文件或YouTube视频），然后上传文件或填写视频链接，并点击Start Indexing建立索引。

按照开发者的说法，只要不点击Stop，再次上传新文件后数据是累加的。

当然，也可以不传数据，直接当成普通大模型来用。

为了避免推理时间过长，我们选择了规模较小的Quyen-SE来进行测试。

（Quyen-SE基于阿里的通义千问改造而成，Chat with MLX的作者也参与了研发工作。）

首先看看模型不加定制数据的速度，在M1芯片的MacBook上，这个0.5B的模型表现是这样的，可以说比较流畅。

但在宣传中，Chat with MLX的主要卖点，还是本地RAG检索。

为了确保素材文档在模型的训练数据中不存在，小编从箱底翻出了自己不公开上网的本科毕业论文。

我们询问了论文中不同位置的细节，一共根据文章内容给Chat with MLX设计了十个问题。

其中有七个回答是正确（符合文意）的，不过速度和纯生成相比要略慢一些。

测试中我们还发现，模型还有一定的几率会把提示词吐出来，不过触发条件似乎没有什么规律。

但可以看出，为了提高模型的表现，作者已经把给小费这种新兴的提示词技巧都招呼上了。

整体感受下来，可能是受制于算力原因，在苹果设备上部署本地大模型，效果无法和英伟达的Chat with RTX相媲美。

同时，在GitHub上，也有许多用户反馈各种各样的安装失败问题，作者也都进行了回复或跟进，并把程序重新更新了一遍。

但无论如何，选择本地化部署，数据的安全性可能是更为重要的考量因素；而且从中可以看出，本地化、专属化的大模型，已经开始出现向消费级产品普及的趋势。

用网友的话说，升级AI PC的时间到了。

GitHub：
https://github.com/qnguyen3/chat-with-mlx